孙国栋，杨 雄，黄得龙，高 媛

（1.湖北工业大学机械工程学院，武汉 430068；2.湖北省包装装备工程技术研究中心，武汉 430068）

在现代工业中，先进的状态监测和故障诊断技术，能及早发现设备的故障，避免事故的发生。由于旋转机械应用广泛，因此研究其先进的故障诊断算法非常有必要。近年来，数据驱动的故障诊断方法不断发展，需要大量的历史数据来建立诊断系统的故障模型。虽然传感技术的发展和普及使人们从故障的零部件中获得海量数据[1]不再是一项挑战，但直接看这些数据很难区分同一机械部件的故障类型。因此，如何从海量数据中有效提取特征，准确识别故障类型和故障严重程度是一个棘手的问题。

由于振动信号含有丰富的信息，因此他们在故障诊断中得到了广泛的应用。为了从振动信号中提取有用的特征并识别故障类型，人们进行了广泛而多样的尝试，主要分为三大类：时域分析、频域分析和时频分析[2]。许多研究者通过以上三种方法获取样本的统计特征，然后利用专业知识和相关经验[3-4]来识别故障类型。然而，这些诊断结果在很大程度上依赖于专家的先验知识，这就使得诊断结果夹杂了过多人为因素。

随着CNN 的高速发展，研究人员在LeNet-5 网络的基础上提出了一些新的CNN 结构，如AlexNet将第二层中的卷积窗口形状减小到5×5，此外，第一、第二和第五个卷积层之后都使用了窗口形状为3×3、步幅为2的最大池化层，而且AlexNet使用的卷积通道数也是LeNet 中的卷积通道的数十倍，这增加了很大的计算量。……