李巍華　單外平　曾雪瓊

摘要：特征提取是故障智能診斷的關鍵步驟，然而不同的特征提取方法所得到的特征不同，導致診斷結果也可能有所差異，增加了人工特征選擇的難度和不確定性。深度信念網(wǎng)絡（Deep Belief Network，DBN）是一種典型的深度學習（Deep Learning）方法，可以通過組合低層特征形成更加抽象的高層表示，發(fā)現(xiàn)數(shù)據(jù)的分布式特征。DBN可直接從低層原始信號出發(fā)，通過逐層智能學習得到更好的特征表示，避免特征提取與選擇的人工操作，增強識別過程的智能性。將DBN直接應用于軸承振動原始信號的處理，實現(xiàn)軸承故障的分類識別。試驗結果表明，DBN可以直接通過原始數(shù)據(jù)對軸承故障進行分類識別，優(yōu)先調(diào)節(jié)時間復雜度偏導數(shù)較大的參數(shù)，可有效控制DBN的計算成本。