高玉才，付忠广，王诗云，谢玉存

（华北电力大学电站能量传递转化与系统教育部重点实验室，北京 102206）

旋转机械的功能主要通过旋转动作来实现，广泛应用于各大工业领域中，在现代工业生产中发挥着重要作用。随着机械加工制造技术的进步和自动化程度的提高，旋转机械系统各设备之间的联系也越发紧密，一旦设备某一部件发生故障，会导致连锁反应，最终造成重大经济损失，甚至对工作人员的生命安全造成严重威胁。因此，利用智能化方法快速定位旋转机械故障类型成为故障诊断领域的主要研究方向［1］。

旋转机械的故障诊断方法主要包括传统的故障诊断方法和新兴的故障诊断方法。早期传统的旋转机械故障诊断技术需要借助专业知识手动提取故障特征，效率较低。随着旋转设备向着大型化、高速化、精密化的方向发展，基于信号处理的故障诊断方法难以满足故障诊断精度的需要。如今，大数据和人工智能技术方兴未艾，基于数据驱动的神经网络技术已经应用于故障诊断领域之中［2-4］。例如，针对风机运行过程中可能发生的故障，文献［5］首先对风机的振动信号进行预处理，然后利用经验模态分解（ensemble empirical mode decomposition，EEMD）技术获取故障信息，最后利用长短时记忆网络（LSTM）进行故障诊断。实验表明，LSTM网络能够准确监测风机的运行状态。

综上所述，针对采用传统方法进行旋转机械故障诊断时效率低、精度低的问题，本文提出一种新型智能化故障诊断方法。……