张岷涛，廖文豪，卿朝进

（西华大学 电气与电子信息学院，成都 610039）

智能故障诊断（Intelligent fault diagnosis，IFD）是指将机器学习应用于故障诊断。近年来，随着机器学习的理论发展取得巨大成就，IFD 被更多专家学者所关注[1-4]。这对以信号处理和人工提取特征为主的传统故障诊断方法提出了挑战。

时域、频域及时频域分析是基于振动信号的传统故障诊断方法[5]。为表征局部特征，通常采用短时傅里叶变换[6]、小波变换[7]、经验模态分解[8]、局部均值分解[9]等时频处理方法提取故障特征，再通过工程师的人工经验进行故障判定，这需要大量的数据统计。智能化的故障诊断方法则利用支持向量机[10]、k-means[11]、人工神经网络[12]等机器学习方法自动分类特征，降低了对专家经验的依赖，但准确率仍取决于人工提取的特征能否准确描述故障信息，具有较大局限性。而深度学习等方式是基于数据驱动的方式，只需要精确的原始数据和合适的网络结构就可以实现端到端的自动故障诊断。

随着信息技术的飞速发展，现代检测技术已经能很容易实现对于复杂设备的多点全覆盖的数据采集，使得深度学习这种基于数据驱动的方式更能发挥其长处，取得更高精度的诊断效果。Hinton 应用深度置信网络（Deep belief network，DBN）[13]，AlexNet[14]和ResNet[15]等应用卷积神经网络（Convolutional neural network，CNN），使IFD 取得了相当大的进步。

然而，这些深度学习的神经网络架构中都有神经元的设计。从某种程度上说，神经元的数量越多网络的学习能力就越强，但同时大量神经元的设计也会消耗相当多的计算资源，使得其在计算能力有限的嵌入式设备中的应用受到很大的局限。……