周奇才， 刘星辰， 赵 炯， 沈鹤鸿， 熊肖磊

(同济大学 机械与能源工程学院，上海 201804)

随着机械设备复杂度和可靠性要求日益提高，其维护方式由传统的事后维护和定期维护转向更加高效的基于状态维护(Condition-Based Maintenance, CBM)。CBM的思想是利用获取的设备信息，通过状态监测、故障诊断和寿命预测，在有证据表明发生故障或即将发生故障的情况下对设备进行维护[1]。旋转机械是机械设备的关键组成部分，从整体上说，机械设备的绝大多数机械故障，都与回转部件有着直接或间接的关系[2]，因此，旋转机械基于状态维护研究是提升机械设备维护水平的关键。

近年来，人工智能诊断——人工神经网络、支持向量机、隐马尔可夫链等方法由于强大的数据处理和故障自动识别能力，在旋转机械状态维护领域得到广泛应用。这些诊断方法通常包含两个步骤：基于信号处理的特征提取和基于分类模型的健康状态识别。文献[3]利用主成分分析(PCA)提取故障特征并通过该相关向量机和支持向量机实现轴承故障识别。文献[4]对原始信号进行功率谱、倒谱和高阶谱分析，并结合三层人工神经网络识别感应电机故障。文献[5]利用经验模态分解提取时域特征，并通过优化后的BP神经网络实现故障识别；文献[6]提取振动信号时域、频域和时频特征，在此基础上利用动态主成分分析(DPCA)选取有效特征，最后通过隐马尔可夫的马氏距离模型实现健康状态评估。在文献提出的智能诊断方法中，人工神经网络由于自适应和拟合能力强等优点，在旋转机械故障诊断中成为应用最为广泛的方法之一。……