郭文强,张宝嵘,彭程,夏令君,佘金龙

(陕西科技大学 电气与信息工程学院，西安 710021)

随着生产技术的不断发展，造纸机作为造纸生产的关键设备，逐渐呈现大型化、自动化、连续化、复杂化的趋势，滚动轴承作为造纸机的重要零件，对造纸机的安全运行起着重要作用。国内大部分造纸机干燥部采用深沟球轴承，该轴承在工作中除转速高、承载大外，工况也极其恶劣，致使所采集信号的完整性受到影响。所获得的信息数量与质量通常受到现场测试条件等因素的限制，需要在信息不完整或不确定的情况下进行故障分析、诊断；而轴承故障特征与产生原因之间的映射关系不唯一，即一种故障原因可以产生多种故障特征或一种故障特征同时对应几种故障原因[1]。以上问题导致造纸机轴承故障诊断存在一定的不确定性。

文献[2]将谐波小波包与BP神经网络相结合，用于轴承的声发射模式识别技术；文献[3]针对轴承故障振动信号的非平稳特性，提出了一种基于局域均值分解和神经网络的故障诊断方法,但上述方法用于故障诊断的前提是整个诊断过程必须使用准确、完整的故障特征信息;文献[4]采用了基于模糊理论的诊断方法，虽然结构简单，但存在诊断模型学习能力不足的缺点。面对大规模复杂系统诊断建模和诊断决策，Bayes网络(Bayesian Network，BN)凸显出强大的适应性，并已经发展成为处理复杂系统不确定性，进行概率推理的一种有效的理论模型[5-6]；而且BN采用概率值描述事件发生的可能性，能够方便地处理信息不完备问题[7-8]。……