关键词：基尼指数;特征向量法;深度解卷积;特征学习;故障诊断
摘 要：解卷积方法是机械装备故障诊断的有力工具，但传统研究仍属于浅层特征提取，难以处理极低信噪比情况。针对此问题，在传统解卷积理论的基础上引入特征学习思想，提出一种基于基尼指数(Gini index, GI)的稀疏特征深度解卷积方法 (GI-based sparse deep deconvolution, GI-SDD)进行机械装备早期故障诊断。采用频带均分策略初始化输入层滤波器，为后续解卷提供方向。以能够表征机械故障稀疏特征的GI作为损失函数，指导深度网络进行训练。基于广义的特征向量法(eigenvector algorithm, EVA)执行权重优化，进而对微弱故障特征进行逐层学习。利用相关系数和包络谱峭度(envelope kurtosis, EK)准则联合评价故障信息，降维输出最为显著的故障分量。经仿真分析及试验验证，所提方法对背景噪声具有强鲁棒性，故障特征得到显著加强，其EK值相较于传统MED和MGID结果分别提升163.43%和187.11%。
内 容：原文可通过湖北省科技资源共享服务平台(https://www.hbsts.org.cn/)获取