刘浩，熊炘，周辰，刘荣刚

(上海大学 机电工程与自动化学院,上海 200072)

机械设备在运行过程中，滚动轴承除了承受能量转换零部件传递的交变载荷，还要承受工况波动引起的随机载荷，容易发生损伤失效。因此，滚动轴承损伤的模式识别是滚动轴承故障诊断与寿命预测的关键。

故障识别和分类的准确性依赖于先验特征的提取，而先验特征的确定需要故障诊断领域的专家经验[1]。文献[2]通过改进蛙跳算法优化BP网络的权值和阈值，用以诊断滚动轴承早期故障。文献[3]提出了基于Laplacian双联最小二乘支持向量机的半监督识别方法，应用于少样本条件下滚动轴承早期故障的诊断。对于损伤位置不同的滚动轴承及其性能退化过程，可通过改进的超球结构多类SVM实现准确识别[4]。文献[5]利用PSO算法优化支持向量机参数，获得了更高的识别准确率，且其结果不受载荷波动的影响。上述有监督式聚类方法主要针对特定轴承损伤类型设计学习模型，获得了较高的识别准确率。另一方面，自组织映射[6]、隐马尔科夫链[7]、独立成分分析[8]等无监督聚类方法通过学习输入向量间的内在结构关系诊断轴承损伤，但相同样本空间中的不同样本集易导致对样本总体概率分布估计的波动。

滚动轴承承受的交变冲击载荷是导致轴承滚道表面损伤的主要原因。表面损伤从点蚀开始，随着损伤区域的增加演变成分布式损伤[9-10]，考虑此因素对动力学特性的影响，建立滚动轴承外圈损伤动力学模型以获取反应不同外圈损伤程度的动力学响应历程。……