孙炎平，陈捷，洪荣晶，封杨

（南京工业大学 机械与动力工程学院，南京 210009）

作为核心回转连接部件，转盘轴承常用于工程机械、风力发电、煤矿机械、港口机械、军用装备等领域［1］。与普通轴承相比，转盘轴承的尺寸大（0.5～5 m）、转速低（＜25 r／min）、承载工况复杂（需同时承受轴向力、径向力和倾覆力矩）；而且工作环境恶劣，安装、润滑及维修都非常不便；这就要求转盘轴承运行平稳、安全、寿命长，否则一旦发生故障将造成严重损失，因此对转盘轴承进行监测和故障诊断意义重大。

近几年，智能故障诊断方法得到了越来越多的应用，但这些方法大多忽略了故障发生前后的连续性信息，仅仅停留在静态观测基础上，比如通过对比分析某时刻的幅值谱来判断是否发生故障，而忽略了故障变化发展的动态信息。隐马尔可夫模型（Hidden Markov Model，HMM）是一种时间序列的概率模型［2］，能够有效描述随机过程的统计特性，并对观测序列进行有效地模式识别和分类，挖掘出潜在的故障发生前后的上下文信息并加以利用，在机械设备状态监测和故障诊断领域引起了广泛的关注［3-6］。

由于转盘轴承转速低，振动信号微弱，故障特征难以提取，对大型转盘轴承的故障诊断研究较少，大多数故障诊断研究的对象都是高速轴承［7-9］，也没有文献对HMM进行深刻的探讨和分析。因此，以转盘轴承为研究对象，利用经验模态分解（Empirical Mode Decomposition，EMD）对故障信号进行特征提取［10-11］，通过HMM对特征参数进行建模分析，并从HMM诊断精度与训练样本数的关系、故障类型数目对HMM诊断精度的影响等方面对HMM进行探讨。……