栈式自编码器在强噪声环境下的轴承故障诊断*

段敏霞，刘 鑫，董增寿，庞 俊

(太原科技大学电子信息工程学院，太原 030024)

0 引言

轴承是机械设备的重要零部件之一[1]，轴承的损坏会造成巨大的经济损失甚至危及人类生命。因此轴承的故障诊断是十分必要的。由于滚动轴承的工作环境复杂，所采集的信号中通常含有大量噪声[2]，因此需要对信号进行去噪处理来提高后期故障诊断的准确率。

在滚动轴承的故障诊断中，特征提取是重要一步，对诊断结果具有较大的影响，已有不少学者对这一过程进行了研究。文献[3]采用基于波形匹配延拓的改进经验模态分解(EMD)对轴承数据进行分解，得到各本征模函数(Intrinsic Mode Function, IMFs)分量，选取各IMF分量的能量信息作为特征，将其输入到粒子群算法(PSO)优化的支持向量机(SVM)中进行故障诊断，得到了95.2%的分类准确率。文献[2]对轴承数据采用EMD进行分解，对前几阶的IMF分量构造Hankel矩阵, 获取的奇异值能够表达滚动轴承的运行状态，通过堆叠稀疏自动编码器进行分类，得到了较好的分类结果。文献[4]采用卷积神经网络算法结合SVM分类器用于滚动轴承的故障诊断。并达到了99%的分类识别率。以上方法虽然达到了较高了故障诊断精度，但都是基于纯净数据下的故障诊断，如果轴承数据中有用信号被噪声淹没，以上方法就很难达到较高的分类精度。因此急需一种能够在强噪声背景下的故障诊断模型。

文献[1]提出了一种基于小波包特征提取、自编码器(AE)特征选择和PSO优化SVM特征分类的轴承故障自动诊断方法，在信噪为-10db时达到了94.34的分类精度。……