皮骏，马圣，贺嘉诚，孔庆国，林家泉，刘光才

1. 中国民航大学 通用航空学院，天津 300300 2. 中国民航大学 航空工程学院，天津 300300 3. 中国民航大学 中欧航空工程师学院，天津 300300 4. 中国民航大学 电子信息与自动化学院，天津 300300

航空发动机工作条件十分恶劣，其转子系统有发生故障的风险，一旦出现故障将会导致航空发动机异常工作，因此需要对发动机故障进行准确快速的识别[1-3]。滚动轴承是航空发动机转子系统的重要组成部分之一，轴承的性能状态将会影响到航空发动机能否正常有效的工作[4]。由于轴承寿命离散度较大，加之航空轴承所处位置难以监控，故对其诊断带来诸多难题，因而引起国内外广泛的重视。

传统的油液分析法可用于航空发动机的轴承故障诊断，但人为因素对诊断结果影响较大；随着对转子动力学[5]的深入研究，根据物体的振动信号也能诊断故障，且这种方法避免了人为因素的干扰，但却对诊断方法提出严苛的要求。在文献[6-14]中，学者们利用不同的方法对轴承故障振动信号进行处理，并分别结合支持向量机[6-8]、多核学习机[9]、人工神经网络[10-12]、Elman[13]和RBF网络[14]对轴承故障进行诊断，并取得较好的结果。

但部分单隐层前馈神经网络存在收敛速度慢、易陷于局部最优等缺陷，因此Huang等[15]提出极限学习机概念，极限学习机避免了传统网络对学习速率、终止条件、易陷于局部极优等缺陷，因而广泛用于数据压缩、特征学习、聚类、诊断等领域。国内外已有部分学者将其应用到航空发动机故障诊断中，如：卢锦玲等[16]利用改进粒子群算法、交叉验证法去优化极限学习机，并将优化的极限学习机用于轴承故障诊断；……