田奥升， 张 晔， 马 超， 陈慧玲

（ 国防科技大学电子科学学院， 长沙 410073）

0 引 言

为了保证设备安全稳定运行，减少造成经济损失的安全事故，智能故障诊断在工业领域得到了广泛的应用［1］。 然而，复杂环境下采集到的信号通常含有大量噪声，这些噪声严重干扰了机械故障诊断的特征提取，导致了故障诊断性能的下降，因此研究有效的抗噪故障诊断方法具有重要意义。

目前，故障诊断方法主要分为基于手工特征的方法与基于深度特征的方法两类。 基于手工特征的方法需要两步操作。 首先，提取最大最小值、平均值、方差和信息熵等手工特征；其次，利用支持向量机、随机森林、决策树等传统分类器对手工特征进行分类［2］。 基于深度特征的方法利用深度神经网络模型从故障信号中自动提取特征并完成分类。 目前，在机械故障诊断领域，基于深度特征的方法因强大的特征提取能力已成为主流［3］。

近年来，学者们将深度学习方法广泛应用于故障诊断领域。 文献［4-5］将卷积神经网络（CNN）用于故障诊断；文献［6］提出了一种用于旋转机械故障诊断的多级融合双卷积神经网络（MFDCNN），实现了故障信息的多层次融合；文献［7］提出了一种紧凑的一维卷积神经网络（1DCNN）故障诊断方法，能够自动从背景噪声中提取有效特征；文献［8］提出了一种多注意力一维卷积神经网络（MA1DCNN），用于轴承故障诊断，能自适应地对各层特征重新校正，增强了故障脉冲的特征学习能力；文献［9］提出了一种基于CNN 的故障诊断模型，将一维振动数据直接转化为二维图像，利用CNN 提取不同故障图像的特征进行故障诊断。……