基于卷積自編碼神經(jīng)網(wǎng)絡(luò)的航空發(fā)動(dòng)機(jī)軸承故障診斷方法研究

肖 娜，周孟申

(中航西安飛機(jī)工業(yè)集團(tuán)股份有限公司， 西安 710089)

0 引言

在現(xiàn)代飛行器中，以航空發(fā)動(dòng)機(jī)為中心構(gòu)成的能源動(dòng)力系統(tǒng)是飛行器的“心臟”，航空發(fā)動(dòng)機(jī)運(yùn)行狀態(tài)直接影響整個(gè)飛行器的安全和經(jīng)濟(jì)效益[1]。其中，航空發(fā)動(dòng)機(jī)主要由進(jìn)氣風(fēng)扇、壓氣機(jī)、渦輪等高速旋轉(zhuǎn)機(jī)構(gòu)組成，各個(gè)機(jī)構(gòu)間又通過主軸連接[2]，高速主軸和低速主軸主要通過軸承進(jìn)行支撐[3]。作為傳動(dòng)部件的航空發(fā)動(dòng)機(jī)軸承運(yùn)行轉(zhuǎn)速高，一旦發(fā)生故障將會(huì)直接影響主軸運(yùn)行平穩(wěn)，進(jìn)而損壞葉片造成嚴(yán)重事故[4]。據(jù)美軍報(bào)道，軸承失效是引發(fā)美軍軍用和商用發(fā)動(dòng)機(jī)空中停車和非計(jì)劃內(nèi)換發(fā)的主導(dǎo)因素之一，高速滾動(dòng)軸承(滾子或滾珠)占到了故障失效原因的近90%[5]。主軸承振動(dòng)監(jiān)測(cè)及故障診斷技術(shù)是先進(jìn)高性能發(fā)動(dòng)機(jī)健康管理技術(shù)的關(guān)鍵技術(shù)之一[6]，軸承的壽命受環(huán)境影響巨大，疲勞延伸程度受載荷、速度、材料、狀態(tài)、接觸區(qū)域活動(dòng)、接觸集合形狀以及潤滑劑的類型和狀態(tài)等的影響[7]。軸承在出現(xiàn)早期故障時(shí)往往對(duì)發(fā)動(dòng)機(jī)整機(jī)性能影響不大，但是軸承早期故障劣化速度非常快，將會(huì)引發(fā)發(fā)動(dòng)機(jī)其它部件受損進(jìn)而嚴(yán)重影響發(fā)動(dòng)機(jī)性能，造成空中停車的嚴(yán)重故障[8]。因此研究航空發(fā)動(dòng)機(jī)軸承早期故障診斷技術(shù)，阻止故障進(jìn)一步劣化，是保證航空發(fā)動(dòng)機(jī)健康運(yùn)行，保證飛行安全的有效途徑。

由于航空發(fā)動(dòng)機(jī)的復(fù)雜程度不斷提高，加上目前缺乏直接測(cè)量航空發(fā)動(dòng)機(jī)軸承振動(dòng)信號(hào)的手段，多采集發(fā)動(dòng)機(jī)機(jī)匣振動(dòng)信號(hào)進(jìn)行分析[9]，導(dǎo)致得到的發(fā)動(dòng)機(jī)振動(dòng)信號(hào)中含有較多激勵(lì)成分，信號(hào)信噪比低[10]。而航空發(fā)動(dòng)機(jī)軸承早期故障引起的沖擊信號(hào)幅值分量很小，極易淹沒在背景噪聲當(dāng)中[11]。提取出故障特征是航空發(fā)動(dòng)機(jī)軸承故障診斷的關(guān)鍵所在，而故障特征往往會(huì)被噪聲等干擾信息所淹沒，導(dǎo)致其難以被人們及時(shí)發(fā)現(xiàn)。因此，早期故障特征的有效提取具有重大的現(xiàn)實(shí)意義[12]。隨著故障診斷技術(shù)的發(fā)展，目前已有的故障特征提取方法不能滿足航空發(fā)動(dòng)機(jī)軸承故障診斷特征提取的需求，例如，傅里葉變換本質(zhì)上是在時(shí)間內(nèi)的平均，因此無法描述非平穩(wěn)信息[13]；小波變換增加了時(shí)域信息，但小波基的不同直接影響了提取效果，并且缺乏幾何上的直觀解釋[14]；等等。因此，需要發(fā)展新的特征提取方法，以提高故障診斷的可靠性。

近幾年來，深度學(xué)習(xí)理論在圖像識(shí)別、語音處理等領(lǐng)域得到了成功的應(yīng)用，其為基于數(shù)據(jù)本身的特征學(xué)習(xí)提供了一種新的研究途徑，深度學(xué)習(xí)的基本思想是通過構(gòu)造多層神經(jīng)網(wǎng)絡(luò)使得輸入數(shù)據(jù)的特征能夠被逐層提取出來，從而在高層神經(jīng)元處得到數(shù)據(jù)的抽象特征，實(shí)現(xiàn)數(shù)據(jù)中本質(zhì)特征的提取。這就意味著深度學(xué)習(xí)理論具有對(duì)數(shù)據(jù)本質(zhì)信息的高度表征和提取能力，且具有很好的自適應(yīng)性，同時(shí)也為基礎(chǔ)部件的故障診斷提供了新的途徑[15]。比如Ciresan使用卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了0.27%的低錯(cuò)誤率；在自然圖像的研究應(yīng)用中，Krizhevsky在ImageNet數(shù)據(jù)集上通過采用深度卷積網(wǎng)絡(luò)實(shí)現(xiàn)了識(shí)別率的提高[16]。Y.G.Lei等人提出基于深度學(xué)習(xí)理論的機(jī)械裝備大數(shù)據(jù)健康監(jiān)測(cè)方法，利用機(jī)械頻域信號(hào)訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)了故障特征的自適應(yīng)提取與健康狀況的智能診斷[17]。

為了解決航空發(fā)動(dòng)機(jī)軸承早期故障特征不明顯以及故障診斷困難的問題，本文提出了基于卷積自編碼神經(jīng)網(wǎng)絡(luò)的航空發(fā)動(dòng)機(jī)軸承故障特征提取方法，從而為航空發(fā)動(dòng)機(jī)軸承進(jìn)一步進(jìn)行故障診斷提供有力支持。

1 卷積自編碼神經(jīng)網(wǎng)絡(luò)

1.1 卷積神經(jīng)網(wǎng)絡(luò)模型

卷積神經(jīng)網(wǎng)絡(luò)(CNN，convolutional neural network)目前在圖像處理方面得到了廣泛的應(yīng)用，通過對(duì)其訓(xùn)練學(xué)習(xí)，卷積神經(jīng)網(wǎng)絡(luò)能夠從二維圖像中自動(dòng)提取出圖像特征[18]。

分許卷積神經(jīng)網(wǎng)絡(luò)的架構(gòu)可知，該網(wǎng)絡(luò)由三部分組成：卷積層、池化層和分類層。圖1以圖像“3”為例來具體說明卷積神經(jīng)網(wǎng)絡(luò)的工作過程：其中，圖像“3”是網(wǎng)絡(luò)的輸入層，輸入維度為32×32；中間部分為特征提取層，該層的目的是通過不斷地卷積和池化來提取出圖像不同的特征，需要注意的是，這些提取出來的特征都具有局部性，即反映輸入圖像的某些局部特征，而池化層的作用在于降維，在保留有用特征的同時(shí)剔除出圖像的重復(fù)性特征[19]；分類層的作用是輸出圖像的類別標(biāo)簽，該層利用中間層提取出的特征向量辨別出輸入圖像的所屬類別。

圖1 卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)示意圖

綜上所述，卷積神經(jīng)網(wǎng)絡(luò)通過對(duì)輸入圖像經(jīng)過一系列的卷積和池化操作，提取出圖像的特征向量，并最終實(shí)現(xiàn)分類。

1.2 卷積自編碼網(wǎng)絡(luò)模型

由卷積神經(jīng)網(wǎng)絡(luò)的組成架構(gòu)可知，卷積層可以提取出輸入圖像的局部特征，而自編碼神經(jīng)網(wǎng)絡(luò)能夠通過編碼層和解碼層重構(gòu)出輸入數(shù)據(jù)。卷積自編碼神經(jīng)網(wǎng)絡(luò)(CAE,convolutional auto-encoder)則是綜合了卷積神經(jīng)網(wǎng)絡(luò)和自編碼神經(jīng)網(wǎng)絡(luò)兩者的特點(diǎn)，其通過卷積層和反卷積層可以重構(gòu)出輸入圖像[20]，架構(gòu)示意圖見圖2。其中，卷積層的作用是提取輸入圖像的特征，而反卷積層則利用提取出的特征重構(gòu)出輸入圖像。

圖2 卷積自編碼神經(jīng)網(wǎng)絡(luò)架構(gòu)示意圖

由圖2可以看出，卷積層和反卷積層的維度均為5×5，即卷積自編碼神經(jīng)網(wǎng)絡(luò)的訓(xùn)練目的在于使輸出等于輸入，故卷積自編碼神經(jīng)網(wǎng)絡(luò)的訓(xùn)練不具有類型標(biāo)簽，是一種無監(jiān)督訓(xùn)練[21]。

1.3 卷積自編碼網(wǎng)絡(luò)的學(xué)習(xí)特性

由2.2節(jié)對(duì)卷積自編碼網(wǎng)絡(luò)的架構(gòu)分析可知，卷積層維度小于輸入層維度，且卷積層的神經(jīng)元與輸入層的神經(jīng)元并不是全連接的，具有局部連接的特點(diǎn)，如圖3所示，神經(jīng)元S2并不是與X1、X2、X3、X4、X5五個(gè)神經(jīng)元都相連，而是與部分輸入神經(jīng)元相連。卷積自編碼網(wǎng)絡(luò)的這種連接方式?jīng)Q定了卷積層主要用來學(xué)習(xí)輸入數(shù)據(jù)的局部特征。

圖3 局部連接結(jié)構(gòu)示意圖

同時(shí)，卷積自編碼網(wǎng)絡(luò)的卷積層與輸入層不同位置的神經(jīng)元都會(huì)進(jìn)行卷積操作，以圖4為例，卷積層神經(jīng)元(卷積核)會(huì)與輸入層不同處5×5區(qū)域內(nèi)的神經(jīng)元進(jìn)行卷積操作，卷積操作具有共享權(quán)值的特點(diǎn)，即卷積操作對(duì)應(yīng)的卷積核權(quán)值參數(shù)均相同。這可以理解為卷積核在輸入數(shù)據(jù)中移動(dòng)，以此提取出輸入數(shù)據(jù)的不同特征，獲得一系列的特征向量。而共享權(quán)值的特性使得卷積自編碼網(wǎng)絡(luò)有利于提取出輸入數(shù)據(jù)的重復(fù)性特征，這種重復(fù)性特征具有平移不變的特點(diǎn)。

圖4 權(quán)值共享示意圖

2 航空發(fā)動(dòng)機(jī)軸承振動(dòng)信號(hào)故障特征提取方法

2.1 發(fā)動(dòng)機(jī)軸承振動(dòng)信號(hào)的故障特性分析

由理論分析可知，當(dāng)滾動(dòng)軸承表面出現(xiàn)局部缺陷時(shí)，如剝落、點(diǎn)蝕等，在運(yùn)行時(shí)，會(huì)以一定的通過頻率產(chǎn)生脈沖激勵(lì)，將激發(fā)機(jī)械系統(tǒng)的固有振動(dòng)，產(chǎn)生一系列的沖擊衰減響應(yīng)。這些沖擊成分中含有大量的振動(dòng)信息，如沖擊力的大小、沖擊脈沖出現(xiàn)的頻率等參數(shù)，是故障性質(zhì)及程度判斷的重要依據(jù)。

通常機(jī)械系統(tǒng)的沖擊響應(yīng)可表示為負(fù)指數(shù)函數(shù)與正弦函數(shù)的乘積，其表達(dá)式為：

ξ=A(t)sin(ωt+φ)

(1)

式中，A(t)=ξ0e-δt為沖擊信號(hào)的振幅。

圖5為模擬沖擊響應(yīng)信號(hào)，圖5(a)中δ1=10，圖5(b)中δ2=15，其他參數(shù)相同：ξ0=1，ω=100，φ=0。圖5可以看出，沖擊信號(hào)具有振動(dòng)衰減的特點(diǎn)，其振幅隨時(shí)間指數(shù)衰減，且衰減系數(shù)δ越大，振幅衰減地越快。

圖5 模擬沖擊信號(hào)

2.2 軸承振動(dòng)信號(hào)故障特征的提取

航空發(fā)動(dòng)機(jī)軸承故障主要體現(xiàn)在振動(dòng)信號(hào)的沖擊成分上，沖擊成分在軸承振動(dòng)信號(hào)上具有周期重復(fù)性的特點(diǎn)，同時(shí)，在時(shí)域信號(hào)上，相鄰較近的采樣點(diǎn)之間的相關(guān)性比相距較遠(yuǎn)的采樣點(diǎn)之間的相關(guān)性強(qiáng)。因此卷積自編碼網(wǎng)絡(luò)的平移不變學(xué)習(xí)特性為沖擊特征的提取提供了一個(gè)解決方向：軸承振動(dòng)信號(hào)中的沖擊成分具有周期性重復(fù)出現(xiàn)的規(guī)律，而卷積自編碼網(wǎng)絡(luò)具有平移不變學(xué)習(xí)特性，因此可以利用振動(dòng)信號(hào)訓(xùn)練卷積自編碼網(wǎng)絡(luò)，使其自動(dòng)捕捉信號(hào)中的周期性成分，從而實(shí)現(xiàn)沖擊故障特征的提取。

圖6顯示了卷積自編碼網(wǎng)絡(luò)對(duì)故障信號(hào)的特征學(xué)習(xí)過程，通過設(shè)置卷積核的維度，使卷積自編碼網(wǎng)絡(luò)在信號(hào)的局部數(shù)據(jù)點(diǎn)上進(jìn)行特征學(xué)習(xí)與挖掘，從而提取出信號(hào)中的瞬態(tài)沖擊成分。

圖6 沖擊故障特征的提取過程表示

2.3 信號(hào)特征分量的自學(xué)習(xí)過程

利用卷積自編碼神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)特性來處理信號(hào)，即為通過對(duì)卷積自編碼神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，使得其提取出輸入信號(hào)的一系列特征分量。具體來說，就是利用不同的卷積核對(duì)輸入信號(hào)進(jìn)行卷積操作和反卷積操作，從而在輸出層獲得一系列重構(gòu)出的信號(hào)分量，這些重構(gòu)出的信號(hào)分量即為提取出的特征分量。

由于機(jī)械信號(hào)不同于二維圖像，卷積自編碼網(wǎng)絡(luò)不能直接用來處理機(jī)械信號(hào)，需要對(duì)卷積自編碼網(wǎng)絡(luò)的卷積操作及反卷積操作進(jìn)行一定的變換處理。以圖7的振動(dòng)信號(hào)為例，需要對(duì)原始信號(hào)進(jìn)行截?cái)啵礃?gòu)造出維度為1 000×1的輸入信號(hào)。卷積自編碼網(wǎng)絡(luò)對(duì)輸入信號(hào)的自學(xué)習(xí)過程為：通過維度為100×1的卷積核與輸入信號(hào)進(jìn)行卷積操作，獲得特征映射向量；再通過維度為100×1的反卷積核，在輸出層獲得重構(gòu)出的信號(hào)分量。其中，圖中@3表示卷積自編碼網(wǎng)絡(luò)共有3個(gè)卷積核。

圖7 面向振動(dòng)信號(hào)的卷積自編碼網(wǎng)絡(luò)架構(gòu)示意圖

在圖7所示的網(wǎng)絡(luò)架構(gòu)中，對(duì)于給定的輸入向量x，當(dāng)采用的激活函數(shù)為tanh時(shí)，網(wǎng)絡(luò)的輸出表達(dá)式為：

(2)

式中,W(2)為卷積核的參數(shù)，即為共享的權(quán)值參數(shù)；hk為隱含層神經(jīng)元的激活值；b(2)為卷積核對(duì)應(yīng)的偏置。由tanh的性質(zhì)和分塊矩陣運(yùn)算法則可推導(dǎo)：

(3)

(4)

當(dāng)|ab|<1有：

tanh(h3*W3(2))=I1+I2+I3

(5)

式中,Ii= tanh(hi*Wi(2))由式(5)可以看出，卷積自編碼網(wǎng)絡(luò)的輸出可以看作不同分量Ii的疊加。故針對(duì)輸入信號(hào)，卷積自編碼網(wǎng)絡(luò)能夠通過訓(xùn)練學(xué)習(xí)，獲得原始信號(hào)的不同特征分量，這些特征分量實(shí)質(zhì)上都是卷積核Wi(2)與激活值向量hi的卷積。即卷積自編碼網(wǎng)絡(luò)通過對(duì)輸入信號(hào)的不斷重構(gòu)，實(shí)現(xiàn)了對(duì)輸入信號(hào)的不斷學(xué)習(xí)，并在不斷學(xué)習(xí)的過程中對(duì)信號(hào)進(jìn)行了分解，獲得了包含信號(hào)特征信息的不同的特征分量。

2.4 最優(yōu)特征分量的選擇

經(jīng)過卷積自編碼網(wǎng)絡(luò)的自學(xué)習(xí)過程，可以通過式5得到一組信號(hào)特征分量Ii，每組特征分量都包含著原始信號(hào)的某種特征信息。在故障診斷中，故障特征的有效提取是診斷分析的前提，因此需要從特征分量集合中篩選出最優(yōu)特征分量，以達(dá)到故障特征提取的目的。由于每組特征分量的數(shù)據(jù)長度與原始信號(hào)的數(shù)據(jù)長度相同，因此可以利用特征分量之間統(tǒng)計(jì)指標(biāo)差異性進(jìn)行最優(yōu)特征分量的定量選取。

當(dāng)軸承在運(yùn)行過程中發(fā)生故障時(shí)，其運(yùn)行狀態(tài)的變化會(huì)對(duì)采集的機(jī)械信號(hào)產(chǎn)生影響，對(duì)于軸承和齒輪的振動(dòng)信號(hào)來說，沖擊成分是主要的故障特征，而峭度指標(biāo)是四階中心矩和標(biāo)準(zhǔn)差的四次方的比值，能夠反映信號(hào)波形中沖擊分量的大小，它表示信號(hào)概率密度函數(shù)峰頂?shù)亩盖统潭取Ｕ＿\(yùn)行階段下軸承的峭度指標(biāo)值約為3，隨著故障的出現(xiàn)及加重，信號(hào)的峭度指標(biāo)值呈現(xiàn)出增大的趨勢(shì)。因此，對(duì)于包含沖擊故障特征的特征分量，其峭度指標(biāo)往往具有較大的值，而其他的特征分量則沒有，故針對(duì)最優(yōu)特征分量的選取問題，這里選擇峭度指標(biāo)作為選擇指標(biāo)，其計(jì)算公式如下：

(6)

2.5 基于卷積自編碼網(wǎng)絡(luò)的沖擊故障特征提取方法

結(jié)合瞬態(tài)沖擊成分的特性及卷積自編碼網(wǎng)絡(luò)的學(xué)習(xí)特性，本文提出基于卷積自編碼網(wǎng)絡(luò)的航空發(fā)動(dòng)機(jī)軸承故障特征提取方法。該方法的基本思想是通過設(shè)置多個(gè)局部化的卷積核，利用卷積自編碼網(wǎng)絡(luò)的平移不變學(xué)習(xí)特性，自動(dòng)捕捉信號(hào)中的周期性成分，將信號(hào)分解為由卷積核重構(gòu)的多個(gè)特征分量，并利用峭度指標(biāo)選取最優(yōu)特征分量，進(jìn)而實(shí)現(xiàn)沖擊故障特征的提取。

本方法的流程如圖8所示。該方法首先對(duì)原始信號(hào)進(jìn)行數(shù)據(jù)預(yù)處理，以構(gòu)造足夠的訓(xùn)練數(shù)據(jù)集，提高網(wǎng)絡(luò)的訓(xùn)練效果；然后設(shè)置卷積核的維度和個(gè)數(shù)，將訓(xùn)練數(shù)據(jù)輸入到卷積自編碼網(wǎng)絡(luò)模型中進(jìn)行訓(xùn)練，獲得信號(hào)的多個(gè)特征分量；最后計(jì)算每個(gè)特征分量的峭度指標(biāo)值，選取峭度指標(biāo)值最大的特征分量，完成最優(yōu)特征分量的選取，進(jìn)而提取出沖擊故障特征。

圖8 沖擊故障特征提取方法

3 實(shí)驗(yàn)分析

3.1 實(shí)驗(yàn)數(shù)據(jù)來源及說明

為了進(jìn)一步驗(yàn)證本文所提方法對(duì)沖擊故障提取的有效性，本節(jié)采用航空發(fā)動(dòng)機(jī)滾動(dòng)軸承的滾動(dòng)體故障數(shù)據(jù)進(jìn)行分析。選取數(shù)據(jù)的軸承故障尺寸為0.007英寸，轉(zhuǎn)速為1 732 rpm，其中采樣頻率為12 000 Hz。選取軸承的結(jié)構(gòu)參數(shù)和故障頻率參數(shù)如表1、表2所示，其中，fc為保持架故障頻率，fo為外圈故障頻率，fI為內(nèi)圈故障頻率，fB為滾動(dòng)體故障頻率。

表1 選取軸承的結(jié)構(gòu)參數(shù)

表2 選取軸承的故障頻率參數(shù)運(yùn)行頻

圖9為故障軸承原始信號(hào)的時(shí)域波形圖，由圖中可以看出，由于滾動(dòng)體故障信號(hào)往往調(diào)制了轉(zhuǎn)速信息，使得信號(hào)成分更為復(fù)雜，導(dǎo)致原始信號(hào)中的沖擊成分不是很明顯，需要對(duì)其進(jìn)行處理才能辨識(shí)其故障類型，下面采用本文所提方法對(duì)原始信號(hào)進(jìn)行沖擊信息的提取。

圖9 原始信號(hào)時(shí)域波形圖

3.2 實(shí)驗(yàn)結(jié)果與分析

構(gòu)造維度為2 048×1的訓(xùn)練樣本，并設(shè)置卷積核的個(gè)數(shù)為5，維度為75×1，然后將訓(xùn)練樣本輸入到網(wǎng)絡(luò)模型中進(jìn)行訓(xùn)練，訓(xùn)練結(jié)束后可得到網(wǎng)絡(luò)權(quán)值參數(shù)(即卷積核)及提取的特征分量，如圖10、圖11所示。

圖10 卷積核波形圖

從圖10可以發(fā)現(xiàn)，與其他卷積核相比，第一個(gè)卷積核的波形與瞬態(tài)沖擊波形較為相似。為了分析該卷積核是否捕捉到了沖擊故障特征，按照式5計(jì)算得到每個(gè)卷積核對(duì)應(yīng)的特征分量，如圖11所示。

圖11 卷積核對(duì)應(yīng)特征分量的波形圖

從圖11可以看出，第一個(gè)、第二個(gè)、第三個(gè)卷積核對(duì)應(yīng)的特征分量均呈現(xiàn)出一定的沖擊特征，其中第一個(gè)卷積核對(duì)應(yīng)的特征分量尤為明顯。

為了定量選出最優(yōu)特征分量，按照公式(6)計(jì)算出每個(gè)特征分量的峭度指標(biāo)值，如表3所示。

表3 峭度指標(biāo)統(tǒng)計(jì)表

從表3的結(jié)果可知，第一個(gè)卷積核對(duì)應(yīng)的特征分量具有最大的峭度指標(biāo)值，此特征分量波形圖中的瞬態(tài)沖擊成分也較為明顯，因此第一個(gè)卷積核對(duì)應(yīng)的特征分量為最優(yōu)特征分量。

為判定最優(yōu)特征分量中沖擊成分的來源，并以此確定故障源，對(duì)其進(jìn)行包絡(luò)譜分析，如圖12所示，從圖中可以看出，譜峰較高的頻率分量為選取軸承的保持架頻率fc和滾動(dòng)體故障特征頻率fB，據(jù)此可判定軸承存在滾動(dòng)體故障。

圖12 最優(yōu)特征分量的包絡(luò)譜

4 結(jié)束語

針對(duì)航空發(fā)動(dòng)機(jī)軸承故障特征提取的問題，在研究卷積自編碼網(wǎng)絡(luò)的基礎(chǔ)上，構(gòu)建了面向振動(dòng)信號(hào)的卷積自編碼網(wǎng)絡(luò)模型，利用卷積自編碼網(wǎng)絡(luò)的平移不變學(xué)習(xí)特性，提出了基于卷積自編碼網(wǎng)絡(luò)的沖擊故障特征提取方法，實(shí)現(xiàn)了航空發(fā)動(dòng)機(jī)軸承故障特征中沖擊成分的提取。最后，利用航空發(fā)動(dòng)機(jī)軸承數(shù)據(jù)驗(yàn)證了卷積自編碼網(wǎng)絡(luò)可以基于信號(hào)本身挖掘信號(hào)局部數(shù)據(jù)點(diǎn)之間的重復(fù)特性，從而有效地提取出輸入信號(hào)中的沖擊故障特征。