赵光昌，谢刚，张清华

（1.太原理工大学 信息工程学院，太原 030024；2.广东石油化工学院 计算机与电子信息学院，广东 茂名 525000）

据统计，由于轴承导致的故障在旋转机械所有故障中占到1／3左右［1］。近年来，随着相关学科的发展和相互渗透，机械设备故障诊断技术在基础理论研究及实际应用中不断发展和完善［2］，但对于结构复杂的深层次复合故障，传统的故障诊断方法不仅对操作人员要求较高，而且效果欠佳。

人工智能技术的发展使得旋转机械故障诊断技术的研究取得突破性进展，朝着智能化的方向发展［3-4］。这就要求在更高的知识层面上，通过知识处理技术集成数理逻辑和辩证逻辑，统一推理过程和算法流程，统一数值计算和符号处理，通过知识化概念和处理方式实现故障诊断的智能化处理，为进一步处理复杂系统中的深层次复合故障问题提供工具［5］。

尽管目前可以熟练地提取到轴承中晚期故障的特征信息，但为时已晚，必须对设备进行停机检修［6］。为避免不必要的损失，提高生产效率，应尽早发现机械设备的故障部位以便防微杜渐，最关键的问题是如何提取轴承早期故障的微弱信号［7］。处于故障早期阶段的故障特征极不明显，故障信号比较微弱且受噪声影响大，很难通过分析原始信号的时频域特性识别故障的明显特征，故障信息的早期识别难度相当大［2］。因此，对轴承早期故障的检测与诊断成为学者们研究的热点。

1 振动机理及频率特性

1.1 振动产生原因

常见的滚动轴承损伤形式有疲劳损伤、电化学腐蚀、表面损伤、过热烧伤、人为破损及胶合等［8］。……