1.一种基于并行稀疏滤波的轴承声信号故障诊断方法，其特征在于，包括以下内容：A、建立用于故障诊断结果的分类样本：

1)、选取若干不同健康状态的轴承作为训练样本，对各种状况轴承署名相应状况标签，通过非接触式的声传感器采集不同状况轴承旋转时的声信号；

2)、采用固定步长的卷积操作对声信号样本做逐步取段处理，组成训练样本集；

3)、将训练样本集输入并行稀疏滤波模型中训练出权值矩阵W；

a、训练样本集矩阵的第一个方向化为：先行至列，再列至行，将其中每个训练样本按L2范数归一化，即

其中，i表示矩阵的第i列，j表示矩阵的第j行；

b、训练样本集矩阵的第二个方向化为：先列至行，再行至列，将其中每个训练样本按L2范数归一化，即

其中，i表示矩阵的第i列，j表示矩阵的第j行；

c、利用L1惩罚对归一化特征进行稀疏性优化，即其中，N表示样本维度；

d、通过两个方向的目标函数相加训练并行稀疏滤波模型的权值：其中，λ≥0控制两项之间的权重；

4)、使用权值矩阵W来映射训练样本数据集 并采用软阈值函数作为网络的激活函数，得到样本的局部特征，即

‑8

其中，ε＝1×10 ；

i

5)、样本的最终特征f通过使用全局平均池化来组合局部特征获得，即i

6)、将所有提取的最终特征f 及其相应状况标签，输入到softmax分类器中得出用于故障诊断结果的分类样本；

B、对检测工件进行状况类型诊断：

1)、通过非接触式的声传感器采集检测轴承旋转时的检测声信号；

2)、采用固定步长的卷积操作对检测声信号样本做逐步取段处理，组成检测样本集；

3)、按照步骤A中3)至5)，采用训练好的并行稀疏滤波模型对检测样本集的取段信息进行局部特征学习，并对学习到的特征进行取平均值；

4)、将获得的学习特征通过softmax回归模型与全部分类样本进行一一对照拟合，对比出与检测样本最相似的分类样本，与该分类样本相应的状况标签即为检测样本的状况类型。

2.如权利要求1所述的基于并行稀疏滤波的轴承声信号故障诊断方法，其特征在于，设i i

定y∈{1,2,...,k}为含有k个类型的标签集，p(y＝j|x)为每一个样本的条件概率；设定函i

数用于计算归于每一个分类样本j的概率，输出hθ(x)为一个k维向量：i

其中，θ1,θ2,…θk为模型的参数， 用于对分布进行标准化，以保证p(y＝j|x)的和为1；1{·}表示指示函数，即1{true}＝1，1{false}＝0；隐层回归模型的代价函数为：其中，m为训练样本个数，λ为权重惩罚项，用于对较大值的参数进行惩罚，并通过全局优化达到更高的精度。

3.如权利要求1所述的基于并行稀疏滤波的轴承声信号故障诊断方法，其特征在于，采用L‑BFGS算法对目标函数进行优化，梯度函数为：其中 为全1的矩阵，x表示输入数据。

4.如权利要求1所述的基于并行稀疏滤波的轴承声信号故障诊断方法，其特征在于，轴承的不同健康状态包括正常、滚珠故障、内圈故障、外圈故障，其中滚珠故障、内圈故障、外圈故障状态均包含3种不同的损伤程度：0.2mm、0.4mm、0.6mm。

5.如权利要求1所述的基于并行稀疏滤波的轴承声信号故障诊断方法，其特征在于，轴承由转速为1500r/min的电机驱动旋转。

6.如权利要求1所述的基于并行稀疏滤波的轴承声信号故障诊断方法，其特征在于，对轴承的数据采样频率为25.6kHz，每种状况包含100个样本，每个样本包含1200个数据点。

7.如权利要求1所述的基于并行稀疏滤波的轴承声信号故障诊断方法，其特征在于，通过卷积取段法从训练样本中采集Z段信号，这些分段组成训练集 其中 是第j个取段包含Nin个数据点，Nin用于表示稀疏滤波的输入维数，Nout表示输出维数。

8.如权利要求1所述的基于并行稀疏滤波的轴承声信号故障诊断方法，其特征在于，选择100作为并行稀疏滤波的输入和输出维数，设置卷积尺寸为100、卷积步长为10，对每个样本采集100段。