如今电机的功能性不断完善，但其内部结构及运行技术种类也越来越复杂，使得设备故障几率大幅提升，在此情况下提高电机故障诊断准确性和高效性十分必要。

1 深度学习理论概述

深度学习是一种被广泛应用在计算机视觉、自然语言处理和生物信息学当中的理论，是机器学习这一研究领域的新方向。深度学习的学习内容是样本数据的内在规律和表示层次，在学习过程中可获取相关信息，它们可用于解释文字、图像和声音；该理论应用的最终目标十分接近人工智能，就是让机器拥有分析学习能力。究其本质，深度学习属于模式分析方法，更是一种机器学习算法，具有极高的复杂性和先进性，能够借助于机器和拟人化思维解决复杂的模式识别问题。

深度学习与浅层学习有着极大差异，在应用该理论和技术时着重强调了模型结构的深度。深度学习模型大多拥有多个层次，5～6层十分常见，部分模型的隐层节点甚至高达10层。而且深度学习的应用对特征学习的重要性进行了进一步明确，可基于逐层特征变换和大数据来高效完成特征分析，从而更加科学地进行预测和评判。现阶段深度学习理论被引入了多个领域当中，为提高传统识别任务的识别率提供了巨大帮助，也使得深度学习的算法不断被改进。在此环节深度学习模型已被广泛应用在电机故障诊断、人脸识别、语音分析等方面，为相关工作的开展提供了新的思路和方法。

2 基于深度学习模型的电机故障诊断

电机故障诊断技术的发展为提高电机检修维护质效、延长电机使用寿命、节约电机维修成本和优化电机结构与性能设计提供了巨大帮助。以往为有效开展电机故障诊断，需人为提取大量的故障特征数据，为有效判断和分析电机故障提供支持；但随着电机性能与结构复杂性的提升，这种故障诊断技术已不再适用，在故障诊断工作中引入更具现代化、信息化和创新性的技术势在必行。为此可将深度学习理论引入电机故障诊断工作，并基于不同的深度学习模型推进电机故障诊断工作的创新和优化。

2.1 深度置信网络模型的应用

2.1.1 模型概述

深度置信网络模型是最为经典的深度学习模型之一，它可被解释为贝叶斯概率生成模型，由多层随机隐变量组合而成。这种模型的主要构成单元是受限玻尔兹曼机和分类器，它们共同构成了这种多层神经网络，使其能够基于组合底层特征抽象高层学习数据特征，进而完成分析与判断[1]。

受限玻尔兹曼机属于递归神经网络，主要分为可视层和隐层，前者内部分布多显元，后者中则分布多个隐元，且二者都是二元变量，状态为0或1。在受限玻尔兹曼机中两个网络层的单一内部神经元间不存在连接状态，但两层神经元可基于权重w连接。在实际应用环节，深度置信网络模型可被看作是基于能量的模型，模型的能量函数越小意味着系统越稳定，且基于训练获得最小化网络能量与最优化网络参数。如将受限玻尔兹曼机中的显层神经元设定为v、隐层神经元设定为h，并假定(v，h)是一组确定的神经元状态，则可以公式表达深度置信网络模型的能量函数。其中θ={w，a，b}，vi代表可视层内第i个神经元的状态；hj代表隐层的第j个神经元的状态；ai和bi分别表示显元与隐元的偏置，wij表示vi与hj之间的权重。

在使用深度置信网络模型时，底层可视层将会成为样本特征的输入口，在输出前会经过多个由可视层和隐层构成的特征提取层，再由顶层输出层输出分类识别结果。在设计隐层层数和各层单元数时需基于实践经验作业。从网络训练角度来看，深度置信网络模型的训练流程主要有预训练及反向微调训练，前者是自下而上逐层开展的训练，后者是自上而下的进行参数调整训练，能为实现全局参数最优化奠定基础。

2.1.2 模型应用

起初深度置信网络模型主要被应用在机器视觉领域，后来Tamilselvan等人将深度置信网络模型应用在飞机发动机故障诊断中，让该模型正式进入故障诊断领域。随着研究的深入，深度置信网络模型已可用于提取滚动轴承、传感器、洗轮箱、风力发电机组的故障特征，可有效完成故障诊断与分析。

在电机故障诊断中，深度置信网络模型的应用需要经过以下步骤：基于传感器和信号预处理技术完成电机状态信号采集，此时需分别在电机正常状态和故障状态下获得设备的时域或频域信号；开展信号分段和归一化处理，并以训练集和测试集对其进行划分；建立深度置信网络模型，模型中需包含多个隐层且借助于训练集完成无监督贪婪逐层训练；进入微调训练阶段，将类别信息引入深度置信网络模型，以此为基础微调模型参数；获得训练完毕的深度置信网络模型，针对测试机完成电机故障诊断。

2.2 自编码网络模型的应用

2.2.1 模型概述

自编码网络模型也是十分常见的一种深度学习模型，属于三层非监督特征学习模型，可基于自适应学习特征在输出环节尽可能地还原输入。在实际应用环节，自编码网络模型演变出多种形式，除原始自编码网络模型外还包括稀疏自编码网络模型、降噪自编码网络模型和栈式自编码网络模型。原始自编码网络属于三层神经网络，包含输入层、隐藏层和输出层，前两者构成编码器用于编码，后两者则构成解码器。分析自编码网络模型使用原理时发现，在输入原始数据后，可利用编码器编码后完成特征输出提取特征，然后经解码器将特征重构输出，在重构误差足够小时即可认为隐层输出的特征是原始数据的特征表达[2]。

在稀疏自编码网络中融入了稀疏编码原理，将稀疏惩罚项引入到自编码网络模型当中，这样能让隐层满足稀疏性，从而基于稀疏性限制让自编码网络模型完成特征表达。在应用降噪自编码网络模型时，需在原始样本信号中随机加入到具有一定统计特性的噪声，然后基于编码、解码和映射，实现样本信号(未受噪声影响)还原，其作业原理类似于人体的感官系统。此外，自编码网络或由其演变出的稀疏自编码网络与降噪自编码网络都可被视为栈式自编码网络模型的基本单元，在该模型应用环节将采用贪婪逐层训练法完成特征提取和输出，从而实现数据分析。

2.2.2 模型应用

在众多自编码网络类型中只有栈式自编码网络属于深层学习网络，所以在基于深度学习理论开展电机故障诊断时可引入栈式自编码网络模型。这种模型的故障诊断效率和分类准确率都很高，可完成详细化故障分析和判断，从而实现有效的故障诊断。现阶段，利用栈式自编码网络模型可对风力发电机组、滚动轴承、旋转机械、齿轮等多种设备故障进行诊断，诊断正确率几近100%。

从现有的栈式自编码网络模型使用情况来看，在其诊断电机故障时需基于特定框架和如下步骤：基于传感器收集原始数据，将电机正常状态与故障状态的运行信号完整采集起来；基于数据标准化、分割，完成信号预处理，确定测试集和训练集；以数据为基础选定重构误差，建立以深度学习理论为基础的自编码网络模型，并借助于训练集完成无监督贪婪逐层训练；将分类算法引入顶层并完成自编码网络参数或分类器参数的科学调整；确定深度自编码网络模型，利用模型诊断测试集故障；完成电机故障诊断。

2.3 卷积神经网络模型的应用

2.3.1 模型概述

卷积神经网络模型具有局部感知、时空降采样和共享权重的特点，可在减少参数的情况下实现对数据局部特征的充分利用。这种网络中主要包含四个层级，分别为输入层、输出层、隐层和全连接层。其中隐层数量较多，主要由卷积层和子采样层组合而成，前者主要用于提取特征而后者则用于采样，隐层的输入数据有向量和图像两种形式。在实践中卷积层的数学模型可用来表达，其中Mj属于输入特征，L表示网络层次，K代表卷积核，b表示偏置，xjl与xil-1则分别代表第L层输出和第L-1层输入。

2.3.2 模型应用

卷积神经网络模型在电机故障诊断中的应用可有效减少网络参数数量、规避网络拟合，可极大程度提高特征提取的效率和诊断质量。在实践工作中卷积神经网络模型主要用于充当分类器或充当特征提取和识别分类模型[3]。以该模型为基础的电机故障诊断流程如下：

基于传感器收集电机运行信号，分别采集正常和故障状态下的电机时域、信号频域；开展故障预处理与划分，确定训练集和测试集；确定卷积神经网络的卷积核个数和大小，明确其扫描步长和隐层数，然后相关结果为基础建立可用的卷积神经网络模型；对卷积神经网络模型的参数进行初始化处理，并利用训练集完成监督训练，逐步推进网络参数更新，最终达到最大迭代数；基于卷积神经网络模型开展测试集故障诊断。

3 深度学习模型的应用优缺点

本文所提到的常用于电机故障诊断的深度学习模型都可为高质高效地完成故障诊断提供辅助，但在其使用环节也存在缺陷，现对其应用优缺点进行总结：

深度置信网络模型。这种模型无需依靠精确数字模型也能学习数据特征，且其多个隐层结构能规避维数灾难，半监督训练方法更可有效提升神经网络训练方法在多层网络中的适应性。但基于该模型必须逐层开展参数调节、会严重拖慢训练速度，若使用的选用参数不合适则难以实现训练最优化；自编码网络模型。应用此类模型能降低计算复杂度得到简明特征，还可减少信号提取环节的随机因素干扰，拥有良好的鲁棒性。但在普通自编码网络映射环节，输入和输出一致容易出现数据过拟合情况，将会限制特征表达，影响输出重构；卷积神经网络模型。在其使用时拥有高亮数据处理能力，能有效减少网络参数和规避数据过拟合风险。但卷积神经网络模型的复杂性高且训练集庞大，使训练速度难以提升。

总之，应用在电机故障诊断中的深度学习模型主要有深度置信网络模型、卷积神经网络模型和堆栈自编码网络模型。这些深度学习模型的应用可快速完成原始数据的处理效率和故障特征分类，将会为提高电机故障诊断质量和效率提供有力保障。