针对现有基于深度学习的轴承故障诊断方法不适于小样本数据且超参数过多、计算开销大的问题，提出一种基于深度梯度下降森林模型（DSGDF）的轴承故障诊断方法。在凯斯西储大学轴承数据集上对该模型的性能进行验证，结果表明，DSGDF模型平均诊断正确率达99%以上。DSGDF模型较经典深度森林模型的收敛速度更快，较其他基于神经网络的深度学习模型计算开销更小。
0 引言
轴承是机械设备的核心部件，直接关系其性能发挥。轴承故障轻则导致整机失效，降低生产效率，重则导致人员伤亡[1]。轴承故障诊断可根据诊断结果及时提出解决方案，保证机械正常运行，减少或消除机械故障事故。现阶段主流的轴承故障诊断方法分为基于特征工程的方法和基于深度学习的方法两种。基于特征工程的方法主要通过对输入信号进行频谱分析（Frequency Analysis）