艾莉，华静

(红河学院 工学院，云南 蒙自 661199)

旋转机械中约30%的故障是由滚动轴承损坏而引起的[1]，其运行状态直接影响着主机的工作性能，因此研究滚动轴承的故障诊断技术具有重要的现实意义。近年来，轴承的故障诊断技术得到不断发展和完善，诊断的有效性也在不断提高。但是，在利用振动传感器采集故障信号时，由于单个传感器的可靠性及数据采集的随机性等原因，所获得的信息往往具有局限性，往往容易造成误判。

多传感器信息融合是近几年发展起来的一门技术，其以多个传感器在任意空间和时间上的互补与冗余信息为依据，经过多方面、多层次的相关、组合等分析处理，得出反映环境信息特征的一致性解释和描述[2]。同时，鉴于粒子群算法在迭代寻找全局最优解方面的优势以及BP神经网络具有良好的非线性映射能力的特点，将基于证据理论的多传感器信息融合技术和粒子群神经网络结合起来。应用粒子群神经网络对滚动轴承进行局部故障诊断，并计算各证据体的基本可信任分配函数，再由证据理论进行融合决策。该方法充分利用多个传感器信息，降低了误诊和漏诊的概率，有利于提高轴承故障诊断的精度和准确性。

1 轴承故障特征量的选取

在轴承故障诊断中，故障特征向量的合理选取是诊断的前提，直接影响着诊断结果的准确性。由于轴承的振动信号中包含着其运行的状态信息，当轴承零件如内圈、外圈或滚动体出现局部故障时，将反映为振动信号频率成分和能量的变化[3]。……