为了进一步提高深度神经网络(Deep Neural Network,DNN)在轴承故障诊断中的可靠性和稳定性,对深度学习(Deep Learning)中的一些关键技术进行了研究、借鉴以及改进。具体地沿用传统DNN中被广泛用于无监督学习的去噪自动编码器(Denoising Auto-encoder,DAE)进行特征提取,使得特征提取过程不再依赖于先验知识;然后对传统DNN中的DAE进行稀疏化处理,使得特征的提取更加合理、准确;并在DNN中引入核函数运算形成多核结构,提高诊断结果的可靠性以及鲁棒性。最后通过具体的实验,与传统DNN、支持向量机(Support Vector Machine,SVM)等故障诊断方法相对比,来最终反映基于稀疏化DAE的多核结构DNN在轴承故障诊断领域更优越的正确率与稳定性。

针对不同稀疏基与单像素相机矩阵构成的重构矩阵研究较少的问题。首先将DCT矩阵和DWT矩阵这两种稀疏基分别与单像素相机矩阵组合成不同的重构矩阵,将得到的重构矩阵进行优化,分析优化过程中重构矩阵与优化矩阵性质的改变,再用重构矩阵与优化矩阵对信号进行重构实验。实验结果表明,基于DWT矩阵得到的重构矩阵和优化矩阵对信号的重构效果更好。基于DWT矩阵的重构矩阵和优化矩阵比基于DCT矩阵的重构矩阵和优化矩阵展现出了更好的重构性能。

支持向量机（support vector machine,SVM）应用于轴承故障诊断前,首先要提取轴承的特征信号.在以往的特征信号提取中,往往是依据已有的知识模型进行特征筛选.随着近年来深度神经网络（deep neural network,DNN）的应用与推广,自动编码器（auto-encoder,AE）在特征提取方面的优势尤为突出.作为一种无监督的学习方式,AE能够基于数据驱动提取信号的特征值,使得特征提取不再依赖于先验知识,从而让整个故障诊断过程更具智能化.本文运用改进的AE、去噪自动编码器（denoising autoencoder,DAE）,进行轴承信号特征提取,并用SVM进行故障诊断.最终与基于经验模态分解（empirical mode decomposition,EMD）能量熵的SVM对比,反映具有无监督学习方式的DAE-SVM在轴承故障诊断方面的优越性,诊断准确率接近100%.