自编码器及其改进算法在滚动轴承故障诊断的应用

周建民，刘露露，杨晓彤，王云庆

（1.华东交通大学载运工具与装备教育部重点实验室，江西 南昌 330013；2.华东交通大学轨道交通基础设施性能监测与保障国家重点实验室，江西 南昌 330013）

滚动轴承在各类旋转机械中被广泛应用，而且在决定设备运行状态方面起着重要作用。因此，对滚动轴承进行故障诊断和在线状态监测具有重要的现实意义[1]。在实现滚动轴承的故障诊断和在线状态监测的方法中，浅层机器学习的应用较多，但浅层机器学习的结构缺乏强大的表示能力，难以处理复杂非线性关系问题[2]。在这个情况下，深度学习作为研究领域中新的突破点，快速在各个领域中被广泛地研究与应用[3-4]。深度学习能自主学习隐藏在原始数据中的主要信息，并在数据和设备运行状态之间建立精确的映射关系[5]，故而在各种诊断模型中，基于深度学习的应用与研究也日渐增多。

将深度学习方法应用在滚动轴承故障诊断领域的研究中，一般都会针对不同的问题来实行不同的学习方式，如有监督学习、无监督学习等。在有监督学习模式下，算法需要大量的有标签的训练数据，这就导致算法在一定程度上受到数据的约束，在这种情况下，无监督深度学习在滚动轴承故障诊断上的发展及应用逐渐被重视起来，自编码器（auto-encoder, AE）就是一种典型的无监督深度学习的网络模型。

自编码器的运行过程就是一个编码解码的过程，但是需要通过误差反向传播机制调整整体网络[6-7]，近年来，基于AE 的研究与应用也越来越多[8-11]。……