肖 安，李开宇，范佳能，仲志强，贾银亮

(1.南京航空航天大学 自动化学院，南京 211100；2.南瑞集团有限公司，南京 211106)

0 引言

目前在旋转机械设备中，滚动轴承是易损部件之一，对轴承的诊断是目前研究的热点[1]。在传统的轴承故障诊断中，对采集到的振动信号使用小波变换、经验模态分解等信号处理技术，获取故障信号特征[2]，但这些方法只是对信号进行了处理，并未得到确切的故障诊断结果。

近年来，在智能故障诊断领域，基于数据驱动的方法逐渐成为主流[3]，H.S. Kumar等[4]采用KNN分类器和经验模态分解进行了故障诊断研究。Song等[5]使用经验模态和小波变换相结合的方式，将振动信号进行分解，从而实现对滚子轴承的故障诊断。基于数据驱动的方法虽然具有较好的诊断性能[6]，但依赖于先验知识和经验，对于不同的故障类型所使用的的方法也不一致。

基于深度学习的方法在轴承故障诊断中的快速发展[7]，解决了传统方法的不足。Wang等[8]将轴承的一维振动信号转换为二维灰度图像，作为卷积神经网络(CNN)的输入，在不同工况下的轴承故障诊断下取得了较好的效果。Gao等[9]提出一种新的弱故障特征提取与诊断方法，该方法由LSTM和多通道连续小波变换(MCCWT)构成，在轴承弱故障特征的情况下进行诊断。Chen等[10]提出一种基于自编码器的径向神经网络轴承故障诊断方法，提高了在噪声中进行诊断的准确率。Liang等[11]使用残差网络进行网络层的融合。虽然深度学习在故障诊断领域取得了……