传统机械设备状态监测方法的局限性
严重依赖专家经验：
对于机泵振动信号，时频分析如小波变换、维格纳分布及自适应分解EEMD等方法被用来提取特征，神经网络、支持向量机、决策树、模糊逻辑等方法被用于对机泵的运行状态进行分类。
但由于特征值是根据专家经验进行提取的，对于不同的设备需要不同的专家经验，这在一定程度上也制约了专家经验的泛化能力。
深度学习模型框架
深度学习最主要的特点在于其可以自适应提取蕴含于数据中的模式。常见较为被认可的深度学习模型框架包括：卷积神经网络(CNN)、递归神经网络(RNN)、深度置信网络(DBN)、 堆叠自动编码机(SAE)，其中CNN更适于对图像 进行数据处理。
论文内容
本文结合CNN的算法特点，基于应用 于设备故障诊断的数据进行特征提取和故障分类，在经典一维和二维卷积神经网络的基础上，提出两种机械设备智能故障诊断方法，并通过凯斯西储大 学轴承数据中心发布的数据集比较两种模型的性 能。
论文对卷积神经网络(Convolutional neural network，CNN)进行了简单综述，指出传统的卷积神经网络结构由以下 5 部分构成：
读入数据的输入层、进行特征提取的卷积层、 池化层和全连接层以及输出最后结果的输出层。
1.1 输入层
功能：处理不同维度的数据
一维CNN的输入层接收一维或二维数组，其中一维数组通常为振动信号时域图或频谱图，二维数组包含多个通道的时间或频谱采样
二维CNN的输入层接收二维或三维数组
三维CNN的输入层接收四维数组
1.2 卷积层
功能：对输入数据进行特征提取
卷积层中的每个神经元都连接到前一层中相邻区域中的多个神经元。该区域的大小取决于卷积核的大小，被称为“感受野”。工作时，卷积核会依次扫过输
