摘要： 滚动轴承大多处于高速、高负载的复杂工况，通常存在较强的非平稳非线性特征，使得对其振动信号分析、故障识别困难。对此，提出一种基于浣熊算法（Coati Optimization Algorithm，COA）优化卷积神经网络(Convolutional Neural Network，CNN)的故障诊断方法。首先利用差分连续小波变换(Difference Continuous Wavelet Transform，DCWT)对原始振动信号进行预处理，获取包含完整原始特征信息的小波时频图，通过构建COA-CNN模型优化神经网络的核心参数，对所获取的时频特征信息进行识别，由此完成滚动轴承的非平稳信息的提取和模式识别。实验仿真和工程应用研究表明，在复杂工况下该方法可以有效实现滚动轴承典型故障模式的识别。

关键词: 故障诊断, 滚动轴承, 卷积神经网络, 小波变换, 时频图, 模式识别