叶禹含，郑小霞，王 静，杨爽勉

(上海电力大学自动化工程学院，上海 200090)

0 引言

轴承是机械装备中至关重要的组件，其状态会影响整个系统的稳定性[1-2]。不仅本身容易发生故障，因其与其他部件紧密相连，随着轴承故障程度加深会影响其他元器件的正常运行，可能会使整个系统停机，甚至会造成人员伤亡[3]。

实际采集到的轴承信号由多种模态混叠在一起，通常包含大量环境噪声，需要实施降噪。王普等[4]利用小波分解对轴承信号进行处理后，对高频段的小波系数设置阈值分层自适应处理，但是小波变换的冗余度较大。ZHENG等[5]提出一种自适应均匀相位经验模态分解法，可以自适应的叠加正弦波的幅值大小，该方法对模态混叠现象处理有一定的成效，但是计算量比较大。粒子滤波(particle filter，PF)作为一种强适应性滤波方法，在信号降噪等方面有非常明显的优势[6-7]。刘云涛[8]提出一种蝴蝶算法优化的粒子滤波算法。CHEN等[9]提出一种用带变异算子的粒子群改进粒子滤波算法，改善了粒子多样性。但是以上智能算法的参数相对较多，增加了算法复杂程度。

经过降噪处理后，选取合适的方法才能对故障类型准确分类。CNN(convolutional neural network，CNN)具有强大的非线性数据处理能力，可直接对信号进行特征提取。王琦等[10]利用1D-CNN网络中利用1×1卷积核增强1D-CNN的非线性表达能力，并将全连接层用全局平均池化层取代。NISHAT等[11]提出一种EEMN结合CNN的故障诊断方法。以上方法虽能取得较高的准确率，但是在实际的工程应用中不同型号、工况下的轴承存在一定差异，实际运行状态复杂多变，不能使用同一深度学习模型进行诊断。……