Abstract In recent years, deep learning techniques have been proved a promising tool for bearing fault diagnosis. However, to extract deep features with better representative ability, how to introduce discriminant information about different fault types into the deep learning model is still challenging. Moreover, as deep learning techniques heavily rely on mass of measuring data, relatively small amounts of data may cause over-fitting and reduce model stability as well. To solve such problems, a new deep auto-encoder method with fusing discriminant information about multiple fault types is proposed for bearing fault diagnosis. First, a new loss function is designed by introducing structural discriminant information. Specifically, to improve the feature’s representative ability, a new discriminant regularizer is designed in the loss function by using maximum correlation entropy. And to represent the structural information among multiple fault types, a relation matrix for fault types is introduced, then a new regularizer with a symmetric constraint on this matrix is constructed. Second, a gradient descent method is provided to optimise this loss function, and the optimal deep features, as well as fault relatedness, are learned simultaneously. Experimental results on CWRU and IMS bearing data sets show that, compared to several state-of-the-art diagnosis methods, the proposed method can effectively improve the diagnostic accuracy with acceptable time efficiency. And the results on the Kruskal–Wallis Test indicate the proposed method has better numerical stability.

中文翻译：

---

一种新的融合判别信息的深度自编码器轴承故障诊断方法

摘要 近年来，深度学习技术已被证明是一种很有前途的轴承故障诊断工具。然而，为了提取具有更好代表性的深度特征，如何将不同故障类型的判别信息引入深度学习模型仍然具有挑战性。此外，由于深度学习技术严重依赖大量的测量数据，相对少量的数据可能会导致过度拟合并降低模型稳定性。针对这些问题，提出了一种融合多种故障类型判别信息的深度自编码新方法，用于轴承故障诊断。首先，通过引入结构判别信息设计了一个新的损失函数。具体来说，为了提高特征的代表能力，通过使用最大相关熵，在损失函数中设计了一个新的判别正则化器。并且为了表示多种故障类型之间的结构信息，引入了故障类型的关系矩阵，然后构造了对该矩阵具有对称约束的新正则化器。其次，提供了一种梯度下降方法来优化这个损失函数，同时学习最佳的深度特征以及故障相关性。在 CWRU 和 IMS 轴承数据集上的实验结果表明，与几种最先进的诊断方法相比，所提出的方法可以在可接受的时间效率下有效提高诊断准确性。Kruskal-Wallis 检验的结果表明所提出的方法具有更好的数值稳定性。并且为了表示多种故障类型之间的结构信息，引入了故障类型的关系矩阵，然后构造了对该矩阵具有对称约束的新正则化器。其次，提供了一种梯度下降方法来优化这个损失函数，同时学习最佳的深度特征以及故障相关性。在 CWRU 和 IMS 轴承数据集上的实验结果表明，与几种最先进的诊断方法相比，所提出的方法可以在可接受的时间效率下有效提高诊断准确性。Kruskal-Wallis 检验的结果表明所提出的方法具有更好的数值稳定性。并且为了表示多种故障类型之间的结构信息，引入了故障类型的关系矩阵，然后构造了对该矩阵具有对称约束的新正则化器。其次，提供了一种梯度下降方法来优化这个损失函数，同时学习最佳的深度特征以及故障相关性。在 CWRU 和 IMS 轴承数据集上的实验结果表明，与几种最先进的诊断方法相比，所提出的方法可以在可接受的时间效率下有效提高诊断准确性。Kruskal-Wallis 检验的结果表明所提出的方法具有更好的数值稳定性。然后构造一个对该矩阵具有对称约束的新正则化器。其次，提供了一种梯度下降方法来优化这个损失函数，同时学习最佳的深度特征以及故障相关性。在 CWRU 和 IMS 轴承数据集上的实验结果表明，与几种最先进的诊断方法相比，所提出的方法可以在可接受的时间效率下有效提高诊断准确性。Kruskal-Wallis 检验的结果表明所提出的方法具有更好的数值稳定性。然后构造一个对该矩阵具有对称约束的新正则化器。其次，提供了一种梯度下降方法来优化这个损失函数，同时学习最佳的深度特征以及故障相关性。在 CWRU 和 IMS 轴承数据集上的实验结果表明，与几种最先进的诊断方法相比，所提出的方法可以在可接受的时间效率下有效提高诊断准确性。Kruskal-Wallis 检验的结果表明所提出的方法具有更好的数值稳定性。与几种最先进的诊断方法相比，所提出的方法可以在可接受的时间效率下有效提高诊断准确性。Kruskal-Wallis 检验的结果表明所提出的方法具有更好的数值稳定性。与几种最先进的诊断方法相比，所提出的方法可以在可接受的时间效率下有效提高诊断准确性。Kruskal-Wallis 检验的结果表明所提出的方法具有更好的数值稳定性。