滚动轴承是机械生产、钢铁冶炼、航天航空、风力发电和石油化工等领域中旋转机械的重要基础零部件，其微小故障甚至可能对整个机械系统造成严重影响。据调查，约40%的电机故障是由轴承失效引起的[1]。在轴承发生早期故障时，故障特征信息通常较为微弱，同时电机正常工况下转速波动大、噪声含量高，这使得在变转速工况下提取故障特征信息变得困难。因此，实现对轴承早期故障的准确识别及预警，不仅可以有效防止机械系统的意外停机，还对设备的维护和企业的安全生产具有重要意义。
传统的故障诊断方法从轴承故障对电机信号的影响机理出发，通过在时域、频域或时频域提取故障特征，进而实现故障状态的识别。但在电机处于非稳态工况时，诊断效果常常不理想，且由于谐波分量和负载波动等因素，传统基于电流信号的故障诊断性能受限。随着机器学习技术在工业界和学术界的广泛成功，端到端的深度学习方法能够直接将原始电机数据作为输入，通过多层网络模型逐层学习数
[登陆后可查看全文]
