原栋文，王永超，刘 浩，易顶珍，宋志军，毕文阳

(1.中国石化集团金陵石化有限公司，江苏 南京 210033；2.北京博华信智科技股份有限公司，北京 100029)

1 引言

近年来，基于深度学习的机械设备故障诊断方法逐渐成为故障诊断领域的研究热点。相较于依赖故障诊断专业知识及人工经验的传统诊断方法，基于深度学习的诊断模型可自动地从复杂数据中挖掘故障特征，将数据处理、特征提取、特征选择与诊断分类流程打通，摆脱了对故障诊断专家人工经验的依赖[1]。

在设备故障监测诊断领域，雷亚国等[2]利用堆叠自编码器处理行星齿轮故障数据，自适应地提取了故障状态下的敏感特征；丁家满等[3]提出一种基于深度森林的诊断模型，以多组简单工况下的轴承实验数据训练构建深度森林模型，在分析超参数对模型影响的基础上确定了诊断模型的关键参数，解决了深度神经网络复杂调参的问题；徐卓飞等[4]针对滚动轴承故障诊断中依赖特征集选取这一问题，提出了基于深度残差网络的故障诊断方法，凭借深度学习的自主学习及强泛化能力以实现故障特征的自我获取和训练；赵敬娇等[5]等提出一种基于残差连接的一维卷积神经网络(1D-CNN)的深层轴承故障诊断模型，将原始轴承振动信号输入网络中，利用具有残差连接的多个一维卷积层自动提取特征；王晓玉等[6]提出了一种新的数据增强的堆叠自编码器(DESAE)框架，采用SAE生成模拟信号，对不充足的训练数据进行增强，利用轴承数据集验证了该方法的有效性；……