王 岩，罗 倩，邓 辉

(北京信息科技大学 信息与通信工程学院，北京 100101)(*通信作者电子邮箱wyleo7@qq.com)

0 引言

在旋转机械中，滚动轴承是易于损坏的零部件之一。据有关资料统计，旋转机械的故障中振动故障占70%，而30%的振动故障是由滚动轴承故障引起的[1]，因此滚动轴承故障诊断的理论和应用研究一直是一个重点。

随着大数据和人工智能时代的到来，越来越多的机器学习算法被用于轴承故障诊断中的模式识别，如Ali等[2]采用神经网络，焦卫东等[3]使用支持向量机(Support Vector Machine, SVM)进行轴承故障诊断，但它们或多或少地存在一些缺陷，比如支持向量机中针对每一种轴承故障都设置一个判别函数进行诊断，造成输入空间中存在无法分类的区域，即诊断片面性的问题[4]。为解决此问题，本文提出了一种新的基于Gibbs抽样的轴承故障诊断算法，该方法将概率统计学应用到轴承故障诊断中。Gibbs抽样是马尔可夫链蒙特卡罗(Markov Chain Monte Carlo， MCMC)理论的一个分支，用来获取一系列近似等于指定多维概率分布(比如2个或者多个随机变量的联合概率分布)观察样本的算法。使用Gibbs抽样建立每一种轴承状态的分布模型，针对一个待诊断的样本，分别计算出属于每一种轴承状态的概率，选取最大的判定为该类别，从而达到故障诊断的目的，解决了轴承故障诊断中存在的诊断片面性问题。

基于Gibbs抽样的滚动轴承故障诊断思路如下：首先对轴承故障振动信号进行局部特征尺度分解(Local Characteristic scale Decomposition， LCD)得到若干个内禀尺度分量(Intrinsic Scale Component， ISC)，再对轴承故障振动信号和ISC分别提取时域特征，对所有时域特征使用特征的类间标准差和类内标准差的比值筛选出敏感特征并组成特征集。……