赵志宏，李乐豪，杨绍普，赵敬娇

（1.石家庄铁道大学信息科学与技术学院 石家庄，050043）

（2.石家庄铁道大学省部共建交通工程结构力学行为与系统安全国家重点实验室 石家庄，050043）

引言

振动信号中蕴含着对机械部件故障诊断和寿命预测有用的健康状态信息，但实测的振动信号中往往由于各种原因充斥着不同程度的噪声，对故障的诊断造成困难。因此，对振动信号进行降噪尤为重要。赵志宏等［1］将基于经验模态分解（empirical mode decomposition，简称EMD）阈值降噪方法和Savitzky-Golay滤波降噪方法相结合，同时对高频噪声和低频噪声进行降噪处理。贾亚超等［2］提出了一种基于灰度准则与集成经验模态分解（ensemble empirical mode decomposition，简称EEMD）的降噪方法，有效提高了信噪比，降低了噪声对振动信号特征提取的干扰。向北平等［3］提出了一种基于样本熵的改进小波包阈值去噪算法，能够获得较好的去噪效果，有效地还原了信号的转动特征频率与故障特征频率。

传统降噪方法对于低噪声的信号具有一定的降噪效果，但是对于强噪声信号的降噪效果不理想。Hinton 等［4］提出了具有非常强大学习能力的深度学习方法，可以提取更加抽象的特征。Ranzato 等［5］提出的堆叠自编码器（stacked denoising auto-encoder，简称SDAE）是一种经典的无监督深度学习模型，得益于自编码器强大的特征提取能力，被广泛应用于图像分类［6-7］、视频异常监测［8］、故障诊断以及图像降噪等领域。

在故障诊断领域，文献［9-10］利用了堆叠降噪自编码器中编码器的特征提取能力，从振动信号中提取特征对故障进行分类。……