摘要： 几何模型分类器具有坚实的几何统计基础和良好的泛化能力，因此在旋转机械故障诊断中取得了较高的分类精度。与仿射包和凸包相比，超圆盘（Hyperdisk，HD）对样本分布区域的估计更加合理。但超圆盘模型属于浅层学习模型，对复杂函数的表示能力有限，存在学习能力和泛化能力差等缺点。针对这个问题提出一种深度超圆盘分类器（Deep Hyperdisk Large Margin Classifier，DHD），该方法通过模块叠加的方式将超圆盘分类器深度化，利用特征提取公式从每层模块的输入样本中自主提取新的特征值，并将其应用在下一层模块的训练学习中。将所提方法应用到旋转机械故障诊断当中，实验结果表明该方法对故障样本的分类准确率高于其他模型算法，且对不均衡样本和强噪声背景下的故障样本均具有良好的分类能力。

关键词: 故障诊断, 深度超圆盘分类器, 深度学习, 旋转机械