周 勃，曾劲松，刘国宁，马光岩

（郑州大学机械与动力工程学院，河南 郑州 450001）

1 引言

滚动轴承是旋转机械中广泛使用的关键零件之一，由于复杂的工作环境和多变的工况极易产生故障，带来严重的安全隐患［1］。根据不完全统计，大约有三分之一的旋转机械故障是由轴承故障引起的，因此对轴承故障信息检测和诊断对保障机械设备正常运行具有重要意义。

常见的轴承故障智能诊断方法常采用人工的选取轴承振动信号特征然后再利用传统机器学习方法对故障类型进行模式识别和分类，但是往往需要对振动信号做复杂的信号处理以获取相对满意的特征，难以达到较好的分类精度。近年来，有诸多学者尝试将深度学习技术引入故障诊断领域。深度学习作为机器学习的重要分支之一［2］，在复杂特征提取方面具有传统机器学习方法不可比拟的优势，更能充分利用数据，可以自动学习到数据中的深层隐藏表示，从而避免了繁琐的特征工程。史光宇将轴承振动的一维振动信号顺序采样并重构成二维灰度图作为卷积神经网络（CNN）的输入，有监督的对轴承进行智能故障诊断［3］。文献［4］构建了一种残差学习的深度一维卷积自编码器，可以无监督的对齿轮箱故障进行诊断。文献［5］通过堆叠LSTM可以自动分层提取原始时间信号中固有的特征，对滚动轴承诊断并取得了不错效果。文献［6］则将CNN模型改进，提出了SECNN模型，通过自适应调整模型提取的特征通道维权重，提升了故障诊断的准确率。……