基于增强深度自编码网络的滚动轴承故障诊断方法

童靳于 罗 金 郑近德

安徽工业大学机械工程学院，马鞍山，243032

0 引言

滚动轴承作为旋转机械中的关键传动零部件，面对复杂多变的工业设备运行工况，不可避免地会出现各种故障，因此，滚动轴承状态监测和早期故障诊断具有重要的现实意义[1]。

特征提取是滚动轴承故障诊断的关键步骤[2]。通过轴承振动信号的分析与处理，提取能够反映故障信息的时域、频域和时频域特征[3-5]，将所提特征输入分类器中进行模式识别，可以判断设备的故障类型。常用的分类器有基于传统机器学习的随机森林(random forest，RF)[6]、支持向量机(support vector machine，SVM)[7]和人工神经网络(artificial neural network，ANN)[8]等。这类传统机器学习算法的浅层结构缺乏强大的特征表示能力，它获得良好精度的前提是依据先验知识提取反映故障类型的敏感特征。然而，特征提取容易造成关键信息丢失，从而导致异常事件预测准确率下降。同时，浅层机器学习无法完成工业大数据的诊断问题。

近年来随着先进传感技术、大数据技术的发展及其在工业领域的应用，深度学习的发展为机械设备故障诊断提供了新的研究思路和方法。深度学习通过构建深层次的非线性网络，可以自动挖掘隐藏在原始数据中的代表信息，并建立振动数据和设备的运行状态之间的精确映射关系[9]。常用的深度学习模型有深度置信网络(deep belief network，DBN)、卷积神经网络(convolutional neural network，CNN)和深度自编码网络(deep auto-encoder network，DAEN)等。其中，DAEN因其能够自动从样本中学习到表征状态特性的特点而被广泛应用于设备故障诊断领域。……