汪祖民，張志豪，秦 靜，季長清，3*

（1.大連大學信息工程學院，遼寧大連 116622；2.大連大學軟件工程學院，遼寧大連 116622；3.大連大學物理科學與技術學院，遼寧大連 116622）

0 引言

機械設備在現(xiàn)代工業(yè)中扮演著重要的角色，機械設備的故障會造成嚴重的經(jīng)濟損失，甚至會導致災難性的后果。故障診斷對于提高機械的安全性和可靠性、降低運行維護成本方面具有非常重要的作用。由于現(xiàn)代狀態(tài)監(jiān)測技術已經(jīng)能夠實現(xiàn)復雜設備在多個測點和整個全壽命的數(shù)據(jù)采集，檢測系統(tǒng)將獲得海量的數(shù)據(jù)，導致機械設備故障診斷領域進入了大數(shù)據(jù)時代。因此，大數(shù)據(jù)下的機械設備的故障診斷就顯得尤為重要。

機械故障診斷的發(fā)展過程大致經(jīng)歷了三個階段，即基于物理模型的方法階段、基于信號處理的方法階段、基于數(shù)據(jù)驅動的方法階段?；谖锢砟Ｐ偷姆椒ㄖ饕谦@取設備上的數(shù)據(jù)信號，并用最初建立的模型對數(shù)據(jù)處理結果進行分析，從而得到機組的故障診斷情況；但通常需要深入了解機器的工作機理，難以建立起現(xiàn)代復雜機械設備的精確物理系統(tǒng)，特別是在動態(tài)、噪聲大的工作環(huán)境下。基于信號處理的方法旨在探索先進的信號去噪和濾波技術，突出故障特征信息；但特征頻率的計算往往需要相關的設備知識，實體故障表征理論和數(shù)學基礎是其前提。在不了解系統(tǒng)的學習和物理模型的情況下，采用數(shù)據(jù)驅動技術的診斷方法，僅利用檢測到的狀態(tài)監(jiān)測信號或結合歷史數(shù)據(jù)，分析提取特征信息，對系統(tǒng)進行故障診斷和性能評估。該方法即不需要大量的領域專家知識和知識的表達式推理機制，也不需要建立精確的復雜系統(tǒng)模型，但常常需要大量的精確數(shù)據(jù)。

作為數(shù)據(jù)驅動方法的典型代表，機器學習在故障診斷領域有廣泛的應用，例如Rauber 等設計了基于26 個統(tǒng)計參數(shù)、72 個包絡特征和32 個小波包特征的原始特征向量，然后使用支持向量機（Support Vector Machine，SVM）識別軸承故障。Chine 等計算出若干特征參數(shù)，并利用人工神經(jīng)網(wǎng)絡對光伏系統(tǒng)進行故障診斷。文獻［7］提出了一種新型的模糊神經(jīng)數(shù)據(jù)融合引擎，用于在線監(jiān)測與診斷。盡管機器學習模型，如SVM、人工神經(jīng)網(wǎng)絡（Artificial Neural Network，ANN）、聚類算法、遺傳算法和模糊推理等，能夠部分地滿足故障診斷和識別的需要，但在運行期間機械設備負荷的變化會影響模型的泛化能力。

作為機器學習的分支，深度學習能夠自動地從大量數(shù)據(jù)中提取特征，滿足機械故障診斷對自適應特征提取的要求，有效地克服了傳統(tǒng)人工提取特征泛化能力差、魯棒性差等缺點，降低了傳統(tǒng)故障診斷方法在人工設計和提取過程中的不確定性。近幾年來，不同的深度學習模型，如堆疊自動編碼器（Stacked Auto Encoder，SAE）、深度置信網(wǎng)絡（Deep Belief Network，DBN）、遞歸神經(jīng)網(wǎng)絡（Recursive Neural Network，RNN）、卷積神經(jīng)網(wǎng)絡（Convolutional Neural Network，CNN）等，在機械故障智能診斷中得到了越來越廣泛的應用。

1 基于CNN的機械故障診斷

CNN 作為一種有監(jiān)督的深度學習算法，由LeCun 等首先提出，并采用誤差梯度算法對模型進行優(yōu)化。目前已有許多經(jīng)典的網(wǎng)絡模型，如LeNet-5、AlexNet、VGG（VGGNet）、ResNet、GoogleNet等。迄今為止，CNN 在圖像分類、目標檢測、圖像語義分割等方面都取得了一系列突破性的研究成果。與其他深度學習算法不同，CNN 具有稀疏連通（或局部接受域）、共享權值和池化（空間二次采樣）三個顯著特征。它減少了維數(shù)采樣，降低了數(shù)據(jù)在時間和空間上的維數(shù)，減少了訓練參數(shù)的數(shù)量，降低了網(wǎng)絡的復雜度，有效地避免了算法的過擬合。與此同時，它對其他形式的轉換（例如縮放、傾斜和移動）具有不變性，因此使得構建處理海量數(shù)據(jù)的深度學習框架成為可能。

振動信號分析是基于卷積神網(wǎng)絡的機械故障診斷中最常用、最有效的方法。一般情況下，基于CNN 的機械故障診斷可歸納以下三個步驟：

1）數(shù)據(jù)采集（預處理）。從有關機械設備上收集大量監(jiān)測數(shù)據(jù)，并對振動信號進行處理，提出了許多處理振動信號的方法，如統(tǒng)計分析、傅里葉變換、小波變換、經(jīng)驗模式分解和最近發(fā)展的稀疏表示等。

2）特征提取。根據(jù)任務需求設計并構建卷積網(wǎng)絡模型進行特征提取。

3）模式分類（故障識別）。通過學習分層和高維特征，自適應地描述機械狀態(tài)。在此基礎上，根據(jù)提取的特征進行故障分類和剩余壽命預測（Remaining Useful Life，RUL）等決策。實現(xiàn)了故障診斷的三個基本任務：①判斷設備是否正常；②找出故障產(chǎn)生的原因；③預測故障發(fā)展趨勢。

2 基于CNN的機械故障診斷應用

2.1 基于數(shù)據(jù)輸入類型的CNN機械故障診斷應用

2.1.1 二維卷積神經(jīng)網(wǎng)絡的機械故障診斷應用

最初，機器故障診斷所使用的卷積網(wǎng)絡是模擬圖像處理的二維結構。因為機械數(shù)據(jù)在幾乎所有的情況下都是一維的時間序列，所以它的基本思想是在這種情況下將一維數(shù)據(jù)轉換成二維數(shù)據(jù)的格式。相關文獻的具體描述見表1。

表1 基于二維卷積神經(jīng)網(wǎng)絡的故障診斷模型Tab 1 Fault diagnosis models based on two-dimensional convolutional neural network

Chen 等將水平和垂直方向的振動數(shù)據(jù)融合成二維矩陣，提出了一種深度CNN（Deep CNN，DCNN）來識別齒輪箱健康狀況。Guo 等通過將輸入的時間序列數(shù)據(jù)轉換成32×32 的矩陣，提出了一種層次式自適應DCNN，該神經(jīng)網(wǎng)絡采用自適應學習率來考慮收斂時間和誤差損失，而非全局恒定學習率。You 等使用SVM 作為CNN 提取特征的分類器，對旋轉機械進行故障診斷。通過考慮工業(yè)信號的特性，Yang等將多源振動信號轉化為二維矩陣，提出了基于CNN 的往復式壓縮機故障診斷方法，該方法利用多個傳感器采集的多源原始振動信號作為輸入，利用設計的神經(jīng)網(wǎng)絡進行特征提取和分類，不僅具有良好的故障識別效果，而且具有一定的抗噪性能。這些文獻以二維格式直接對原始機械數(shù)據(jù)進行排列，作為模型輸入。

Wang 等提出了一種轉換方法從多個傳感器轉換到圖像的振動信號，該方法可以在沒有繁瑣的參數(shù)調(diào)整的情況下獲得不同故障類型的特征映射；還構造了瓶頸層優(yōu)化卷積神經(jīng)網(wǎng)絡，在風電實驗臺和離心泵實驗臺的兩個實驗中取得了很好的效果。Weimer 等詳細研究了用于視覺缺陷檢測的DCNN 的各種設計配置，實現(xiàn)了一種特殊應用：工業(yè)光學檢測，它研究了模型結構的兩個方向，包括深度（增加的卷積層）和寬度（增加的過濾器數(shù)量）。Sun 等提出了一個兩階段的故障自動識別系統(tǒng)（Automatic Fault Recognition System，AFRS），第一階段采用基于CNN 模型的“粗—精”方案，對側框架鍵（Side Frame Key，SFK）和軸螺栓（Shaft Bolt，SB）的目標區(qū)域進行同時檢測；第二階段則建立多故障判定的CNN模型，對SFK 和SB 目標區(qū)域的典型故障進行判定。Hoang等提出了一種基于CNN 的滾動軸承故障診斷方法，該方法將一維振動信號轉化為二維圖像，不需進行降噪處理，就能有效地對噪聲環(huán)境進行分類，具有一定的魯棒性和容錯能力。這些文獻采用一維機械信號轉換成像素格式的圖像作為模型輸入。

此外，Tian 等提出了具有免疫算法的DCNN 用于滾動軸承故障診斷，該方法利用DCNN 提取滾動軸承的時域和頻域信號的特性，實現(xiàn)從原始數(shù)據(jù)到診斷結果的直接映射。在檢測階段，通過比較時域和頻域診斷結果來確定故障類型；在學習階段，通過克隆策略和連續(xù)突變操作來改善學習未知故障的效率。Janssens 等使用二維CNN 模型來識別四種旋轉機械狀態(tài)，以兩個振動信號的離散傅里葉變換作為CNN的輸入對旋轉機械的故障進行了分類，并與人工設計的故障進行了比較。Xu 等提出了一種基于DCNN 和隨機森林（Random Forest，RF）集成學習的軸承故障診斷方法。首先，利用連續(xù)小波變換將時域振動信號轉換成包含豐富故障信息的二維灰度圖像；其次，建立了基于LeNet-5 的CNN 模型，從圖像中自動提取對故障檢測敏感的多級特征；最后，利用包含局部和全局信息的多層次特征，通過RF 分類器的來診斷軸承故障。上述文獻使用了時域或頻域的統(tǒng)計數(shù)據(jù)作為卷積網(wǎng)絡的輸入。

基于二維卷積神經(jīng)網(wǎng)絡的機械故障診斷可以找到非相鄰區(qū)間信號的相關性，提取原始數(shù)據(jù)的二維特征，減少了噪聲的干擾，提高了故障診斷的準確性；但將一維信號轉變?yōu)槎S特征圖時僅保留了信號的幅值信息而丟失了相位信息，導致對振動信號特征利用不充分，使得網(wǎng)絡結構冗余訓練時間長，降低了故障診斷性能。

2.1.2 一維卷積神經(jīng)網(wǎng)絡的機械故障診斷應用

除了二維卷積網(wǎng)絡故障分類外，更直接的方法是建立一維卷積診斷模型，對原始時序數(shù)據(jù)進行處理。相關文獻的具體描述見表2。

表2 基于一維卷積神經(jīng)網(wǎng)絡的故障診斷模型Tab 2 Fault diagnosis models based on one-dimensional convolutional neural network

Jing 等構造了CNN，它從齒輪箱采集的振動信號頻譜中學習深度特征。與其他數(shù)據(jù)類型相比，該方法具有更好的結果和更高的準確率，實現(xiàn)了對齒輪箱故障的診斷。Eren等開發(fā)了用于實時軸承故障診斷的緊湊自適應一維CNN。這種方法無需任何預定的變換，且經(jīng)濟高效。針對異步電動機故障診斷，Huang 等在傳統(tǒng)卷積網(wǎng)絡的前端增加了多尺度級聯(lián)層，提出了一種利用多尺度信息進行軸承故障診斷的CNN 方法，該方法比一般的神經(jīng)網(wǎng)絡更有效。Han等提出了一種用于行星齒輪箱故障診斷的具有擴大感受野的增強卷積網(wǎng)絡，該方法通過兩次擴大感受野來增強故障特征學習能力，在行星齒輪箱故障診斷中取得了比傳統(tǒng)深度學習方法更高的診斷準確率。通過對異步電機的實驗，Park等提出了一種基于特征繼承層次CNN，該神經(jīng)網(wǎng)絡由故障診斷部分和嚴重性估計部分組成，嚴重性估計的正確率達60%。通過將CNN 和長短期記憶（Long Short-Term Memory，LSTM）網(wǎng)絡結合起來，Pan 等提出了一種改進的軸承故障診斷方法。以振動原始信號為訓練模型，Qian 等構造了一種用于軸承故障診斷的自適應重疊神經(jīng)網(wǎng)絡。Chen 等利用一維CNN 學習原始振動信號中的特征，并將其輸入到雙向LSTM 網(wǎng)絡中，用于刀具磨損狀態(tài)的識別。上述文獻直接從原始數(shù)據(jù)中學習特征，從而擺脫了對先進信號處理技術和領域專家先驗知識的依賴。

基于一維卷積神經(jīng)網(wǎng)絡的機械故障診斷僅需一維卷積（標量乘和加法），直接應用原始數(shù)據(jù)（信號），不需要進行任何形式的變換，在獲得更好的分類性能的同時，計算復雜度也大幅降低，因而具有實時檢測的能力；但是振動信號通常含有很強的背景噪聲，常常難以得到完整的故障特征，影響故障識別的準確率。

2.2 基于遷移學習的CNN機械故障診斷應用

對于現(xiàn)實環(huán)境中的某些機器，要獲取大量的標簽數(shù)據(jù)是非常困難的。另外，即使標記數(shù)據(jù)可以從某些機器上獲得，但由于數(shù)據(jù)分布的不同，用該標記數(shù)據(jù)訓練的智能故障診斷方法可能無法對從其他機器上獲得的未標記數(shù)據(jù)分類。這就限制了智能故障診斷在無標簽數(shù)據(jù)中的應用。在機械故障診斷中，尤其是在深度卷積網(wǎng)絡的應用中，遷移學習（Transfer Learning，TL）和域自適應技術已經(jīng)被引入。基于遷移學習的故障診斷模型具體描述見表3。

表3 基于遷移學習的故障診斷模型Tab 3 Fault diagnosis models based on transfer learning

Hasan 等利用聲發(fā)射信號的聲學頻譜圖像反映機械健康狀態(tài)，提出了一種基于前訓練CNN 的變轉速條件下軸承故障診斷的參數(shù)轉移學習方法。Cao 等提出了一種基于DCNN 的遷移學習方法，該方法主要由兩部分組成：第一部分由預先訓練的深度神經(jīng)網(wǎng)絡組成，自動提取輸入信號中的特征；第二部分為全連通階段，利用齒輪故障實驗數(shù)據(jù)對特征進行分類?；谏疃染矸e自動編碼網(wǎng)絡和自適應非參數(shù)加權特征提取聚類算法，Wu 等提出了一種聚類分析的故障診斷方法。聚類分析是分類未標記數(shù)據(jù)的有效方法。采用帶少量標記樣本的微調(diào)DCAEN（Deep Convolutional AutoEncoding Network）方法提取輸入信號的高級特征，實驗結果表明，該方法具有一定的優(yōu)越性。Li 等提出了一種多層域自適應的軸承故障診斷方法，利用多核最大均值差作為測量函數(shù)來減小不同區(qū)域間的分布差異。Yang 等將CNN與MMD（Maximum Mean Discrepancy）相結合，建立了從實驗室軸承到機車軸承的故障診斷轉移學習網(wǎng)絡，該方法能夠有效地學習可轉移特征，并且診斷準確率高。將原始振動數(shù)據(jù)轉換成灰度像素圖像作為網(wǎng)絡的輸入，Wang 等提出了用于軸承故障診斷的三重損失引導的對抗性域適應網(wǎng)絡，結果表現(xiàn)出更好的性能。Zhong 等提出了一種用于燃氣輪機故障診斷的轉移學習框架，該框架將CNN 訓練成具有有限故障診斷任務的特征學習，并將SVM 作為新的故障分類器進行故障分類。Wen 等將原始的時域信號轉換成RGB 圖像，并對預先訓練過的ResNet-50 進行微調(diào)。另外，他們利用負相關學習對多個全連接層進行再訓練，并使用預先訓練過的ResNet-50 的Softmax 分類器進行故障分類。

基于遷移學習的機械故障診斷實現(xiàn)了無標簽數(shù)據(jù)的機械智能故障診斷，降低了標記數(shù)據(jù)的采集成本，提高了對未標記的目標數(shù)據(jù)的診斷準確率，可以有效地彌補不同領域之間的差異；但也存在一些不足，如訓練時間長、體系結構過于復雜等。

2.3 基于CNN的剩余壽命預測的機械故障診斷應用

不同于故障分類，健康預測的目標是在未出現(xiàn)明顯故障的情況下跟蹤機器的退化狀態(tài)。在機器故障診斷領域，這個分支非常重要，它可以讓維修人員做早期的判斷和決定，以避免損失和傷害。相關文獻的具體描述見表4。

表4 剩余壽命預測的卷積神經(jīng)網(wǎng)絡模型Tab 4 Convolutional neural network model for remaining life prediction

Wang 等提出了一種用于RUL 預測的深度可分離卷積網(wǎng)絡，其中來自不同傳感器的數(shù)據(jù)用于訓練殘差連接的可分離卷積構造塊，以進行特征學習。Babu 等利用多變量時間序列構造二維數(shù)據(jù)矩陣，用來訓練CNN 的RUL 估計其CNN 包含兩個卷積層和兩個全連通層。Al-Dulaimi 等提出了一種用于RUL 估計的混合深度網(wǎng)絡框架，在此框架中，LSTM 和CNN 并行布置用于特征學習，而多層全連接網(wǎng)絡設計用于特征融合和決策。Li 等利用時間窗方法對多元時間數(shù)據(jù)進行處理，并在此基礎上發(fā)展了DCNN 的特征提取與RUL 估計技術。Wen 等提出了深度殘差CNN 預測方法，并在該方法中采用了

k

重集法來提高預測精度。Li 等利用使用短時傅里葉變換來處理原始振動信號以獲得時頻域信息，然后構建DCNN，提取多尺度特征進行RUL 估計。Wang 等和Kong 等采用基于CNN 和LSTM 網(wǎng)絡的混合深度預測模型，來評估機械的性能退化。Palazuelos 等介紹了一種用于渦扇發(fā)動機退化估計的膠囊神經(jīng)網(wǎng)絡，該膠囊神經(jīng)網(wǎng)絡是從多維傳感器數(shù)據(jù)進行剩余使用壽命預測的一種有前途的方法。

近年來，許多研究員成功地開發(fā)了基于卷積網(wǎng)絡的預測方法，以解決物理模型和數(shù)學模型的通用性差、靈活性和智能化問題。但應該指出，在實際工業(yè)中很難獲得壽命數(shù)據(jù)。換言之，通常沒有足夠的數(shù)據(jù)來建立一個完整的壽命預測模型，因此如何通過實驗或模擬數(shù)據(jù)建立模型，然后將模型擴展到實際的工業(yè)應用中，這是非常重要的。

2.4 整體應用分析

1）從圖1 中可以看出，超過80%的文獻關注于故障分類任務，壽命預測的應用僅占總數(shù)的20%。這種現(xiàn)象可能是因為實現(xiàn)故障分類更加容易和直觀，而RUL 常常需要額外的幫助，如建立健康指標和劃分健康階段等。然而，故障分類主要集中在各種故障情況，即機器的最終狀態(tài)。在這種情況發(fā)生之前，設備通常會經(jīng)歷一個退化過程，在這個過程中，要采取可預見的措施，而不能等到故障最終發(fā)生，所以RUL 預測是今后研究的一個重要方向，應該給予高度重視。

圖1 基于卷積神經(jīng)網(wǎng)絡的機械故障診斷文獻分布Fig.1 Literature distribution of mechanical fault diagnosis based on convolutional neural network

2）因為上述文獻中提到的幾乎所有模型都是在實驗或模擬場景中訓練和測試的，所以它們可能不適合直接應用于實際工業(yè)，因為所獲得的數(shù)據(jù)往往與工業(yè)數(shù)據(jù)有一定的差異。此外，在一些實驗驗證過程中，還發(fā)現(xiàn)訓練數(shù)據(jù)和測試數(shù)據(jù)甚至來源于同一組實驗，由于數(shù)據(jù)的相似性，可以得到更好的結果，這會使研究人員盲目地相信網(wǎng)絡能力。因此，利用合理的實驗數(shù)據(jù)和大量的實際工業(yè)數(shù)據(jù)對強模型進行訓練具有重要意義。

3）參數(shù)集是影響深度卷積網(wǎng)絡性能的關鍵因素之一。在以上文獻中，網(wǎng)絡參數(shù)（包括架構參數(shù)和超參數(shù)）的設計和選擇主要是設計者的主觀決定，還沒有形成選擇合適參數(shù)的具體標準或規(guī)則。雖然一組參數(shù)不能很好地應用到各種任務中，但模型參數(shù)的選擇對于模型的可解釋性有幫助，也有助于理解CNN 這個“黑匣子”，所以參數(shù)選擇技巧的研究仍具有一定的意義。

3 挑戰(zhàn)與未來發(fā)展方向

雖然CNN 在機器故障診斷中取得了一定的進展，但仍有許多方面有待于深入探討和研究。

3.1 基于數(shù)據(jù)不平衡的CNN故障診斷方法的應用

大多數(shù)CNN 的機械故障診斷研究基于平衡的數(shù)據(jù)集，而忽略了正常數(shù)據(jù)和故障數(shù)據(jù)在實際應用中往往是高度不平衡的。在實際應用中，機械在大多數(shù)運行階段都處于正常狀態(tài)，并且在運行過程中很少發(fā)生故障。所以正常情況下的機械設備樣本通常是多余的，而故障情況下的樣本很少。這種數(shù)據(jù)樣本的不平衡分布使常規(guī)的CNN 容易出現(xiàn)大多數(shù)健康狀況。因此，對少數(shù)群體健康狀況的特征了解甚少，導致性能表現(xiàn)下降。盡管有關于不平衡數(shù)據(jù)的CNN的研究，但這些方法中的關鍵問題是如何正確確定每個故障類別的成本；然而，在許多工業(yè)實際問題中，不同類別誤分類造成的實際損失往往難以確定，直接從數(shù)據(jù)集的分布重新計算少數(shù)群體的成本是不夠的。因此，在智能故障診斷領域，對CNN 的高度不平衡分類問題還缺乏進一步的研究。

3.2 基于多傳感器信息融合的CNN故障診斷方法的應用

由于監(jiān)測對象日益復雜，狀態(tài)監(jiān)測信號具有非線性、時變性和不確定性等特點，當系統(tǒng)發(fā)生故障時，往往會出現(xiàn)多種征兆，單靠一種理論方法和信息就很難對故障作出準確判斷，并產(chǎn)生不可接受的高虛警概率和漏報現(xiàn)象。另外，不同的測量方法有不同的缺點，而且對不同的損壞類型和運行狀況比較敏感。多傳感器數(shù)據(jù)融合的方法綜合分析了這些測量結果，可以用來檢測復雜系統(tǒng)中的各種故障。盡管已經(jīng)有關多傳感器信息融合的CNN的研究，但多種類型的傳感數(shù)據(jù)融合仍存在諸多問題，這使得多傳感器特征提取比單傳感器更難。需要花費大量的時間來選擇最佳人工或手動特征提取方法，目前還沒有針對特定類型感官數(shù)據(jù)的最佳人工或手動特征提取方法；而且不同的融合水平也有不同的優(yōu)缺點，對于不同的故障診斷任務，正確的融合往往是不同的。因此，如何有效地基于多傳感器數(shù)據(jù)進行健康狀態(tài)的診斷，仍是一個復雜的問題和重大挑戰(zhàn)。

3.3 基于多尺度的CNN故障診斷方法的應用

由于不同組件和子系統(tǒng)之間存在相互作用和耦合效應，所以安裝在機械上測量振動信號的傳感器會包含多種固有振蕩模式。各種機械旋轉和往復運動的頻率使測量的振動信號變得復雜。因此，振動信號通常表現(xiàn)出多尺度特性，并包含多個時間尺度上的復雜模式。傳統(tǒng)CNN 框架由于缺乏多尺度特征提取能力，不能捕獲這種固有的多尺度特征。針對傳統(tǒng)架構中特征提取僅處理單一時間尺度的局限性這一問題，多尺度的CNN 故障診斷是基于CNN 的機械故障診斷未來的研究方向之一。

3.4 基于非平穩(wěn)信號的CNN故障診斷方法的應用

故障振動信號具有非線性和非平穩(wěn)性，這是由變化的速度和負載以及強烈的環(huán)境噪聲引起的。在實際應用中，機械設備總是在非靜止狀態(tài)下工作。由于用于分類的信號隨運行條件而變化，機械設備在非平穩(wěn)狀態(tài)下的故障診斷一直是一個難題。非平穩(wěn)信號下的CNN 故障診斷也是CNN 機械故障診斷未來的研究方向之一。

4 結語

以深度學習理論為代表的CNN 作為典型的深度學習網(wǎng)絡，在機械故障診斷領域的研究和應用越來越受重視。盡管CNN 算法需要真正的大數(shù)據(jù)集訓練，導致特征尺寸與計算量大幅增加，但它可以在沒有任何先驗知識故障特征頻率合適條件的情況下對機械數(shù)據(jù)進行自適應特征提取，能夠很好地處理二維圖像和一維時間序列信號，使其成為執(zhí)行實時軸承故障診斷的有效方法。雖然國內(nèi)外文獻在機械故障診斷方面已經(jīng)取得了很大的進展，但基于CNN 的機械故障診斷仍存在一些有待于進一步探索和研究的問題，期望提高其在機械故障診斷領域中的適應性，從而使基于CNN 的機械故障診斷具有廣闊的發(fā)展前景。