胥永刚，冯明时，谢志聪，张建宇

(北京工业大学 北京市先进制造技术重点实验室, 北京 100124)

滚动轴承是各种旋转机械中应用最广泛、最易损坏的零件之一，其工作状态直接影响整个系统的精度、性能、寿命及可靠性等[1]。目前滚动轴承故障诊断最常用的方法是振动检测，由于声发射检测技术能弥补振动方法的诸多不足，例如能更早发现表面缺陷的产生、不易受到周围低频环境噪声的影响[2]，因此将声发射检测技术应用于滚动轴承的状态检测和故障诊断具有重要意义。

分类决策是故障诊断系统的重要组成部分，基于人工神经网络以及基于支持向量机的模式识别等多分类方法被应用于故障诊断中，但该类方法均需要事先获取各种故障模式下的若干组数据样本。在机械设备故障诊断中，正常运行状态的数据样本容易获得，而故障样本一般难以获得，极端情况下甚至没有故障样本。对此类问题，支持向量数据描述(Support Vector Data Description,SVDD)方法提供了较好的解决方案[3-4]。SVDD是一种单分类方法，只需要一类样本即可进行分类，且具有计算速度快、能有效利用小样本数据等特点。

由于声发射信号的采样频率很高，数据量很大，不适于直接作为分类的特征向量，而谐波小波包由于小波基在频域的盒形特性，可将信号分解到相互独立互不重叠的若干频带内。鉴于此，将谐波小波包分解和支持向量数据描述相结合，以对滚动轴承的声发射特征进行单分类智能诊断。……