乔保栋，陈果，葛科宇，曲秀秀

(南京航空航天大学 民航学院，南京 210016)

滚动轴承的运行状态往往直接影响到整台机器的精度、性能、可靠性及寿命等，因此，对轴承的状态监测与故障诊断具有重要意义[1]。轴承故障诊断有多种方法，其中振动法由于其适用性强、效果好、测试及信号处理简单直观而被广泛应用。振动信号的时域参数可以实现对轴承的简易诊断，即判断轴承是否存在故障。要精确判断轴承故障发生在哪个元件上，就需进行频域分析。轴承故障信号具有信号微弱、调制性强以及频带范围宽等特征，目前小波变换已被广泛应用于轴承故障诊断[2-3]。Hilbert-Huang变换中的EMD具有自适应性、正交性与完备性及IMF分量的调制特性等突出特点，目前已有许多研究者将Hilbert-Huang变换应用于轴承故障诊断[4-5]。如何综合运用时域和频域方法，并对大量信息进行处理和综合利用轴承故障诊断技术是需要重点研究的问题。诊断的核心问题是模式识别，包括模式获取和模式匹配两个过程，轴承故障诊断的主要问题是故障特征模式提取，也就是知识获取的问题[6]。

有鉴于此，文中对数据挖掘技术在轴承故障诊断中的应用进行了探索，从大量的轴承振动信号中获取能够反映轴承运行状态的时域参数和小波包络谱特征参数，建立基于Weka平台知识获取的故障智能诊断方法，对轴承的故障进行诊断。

1 故障特征参数选取

1.1 时域参数

一般来说，安装在轴承座上的传感器拾取到的轴承振动信号是一组宽带信号，随机性比较强。……