于 地

（长春光华学院，吉林 长春 130033）

随着信息技术的快速发展，机械设备愈加复杂化、智能化，使设备具有更完善、精确的性能[1]。但在机械设备愈加复杂的过程中，增大了机械设备运行状态的不确定性，需要在机械设备运行过程中对机械设备的零件性能、设备精度、部件磨损程度等进行检测，以提升机械设备运行的安全性与可靠性。但现有故障诊断工作以假设故障样本为同分布的方式进行，样本数量较少，难以对多工况机械故障进行精准诊断。据此，本文提出具有域自适应能力的基于少参数CNN网络LiNet算法的机械故障诊断方法，并对该方法进行验证，旨在为提升机械故障诊断实效提供方法借鉴与参考。

1 卷积神经网络

卷积神经网络（Convolutional Neural Network,CNN）由卷积层、池化层、激活层构成，具有较强的特征提取能力，被广泛应用于工业生产、科学研究等领域[2]。在CNN网络运行过程中，全连接层可以接收压缩信号特征，经过多个卷积池化处理后，输出到全连接层，并对输出数据信息进行分类和更新。

CNN算法流程如下：

第一，对特征图、激活函数进行点积计算，利用非线性激励函数映射输入，公式表示为：

卷积层运行中，需要利用激活函数增强网络表达能力，激活函数公式表示为：

卷积层操作如图1所示。

图1 卷积层操作示意图

第二，在池化层，对提取到的特征进行向下采样，公式表示为：

第三，利用全连接，对特征进行分类，分类使用softmax激活函数[3]。全连接公式表示为公式（4），softmax函数表示为公式（5）。……