范春旸，吴守鹏，刘晓文，俞 啸，3

（1.中国矿业大学物联网（感知矿山）研究中心，江苏 徐州 221008；2.中国矿业大学信息与控制工程学院，江苏 徐州 221008；3.徐州医科大学医学信息学院，江苏 徐州 221009）

1 引言

滚动轴承作为旋转机械设备的关键部件，一旦发生故障，会严重影响设备的安全稳定运行，并造成难以估计的损失，因此准确识别滚动轴承的故障状态具有重要意义[1]。识别滚动轴承故障状态的有效方法之一是振动信号分析，振动信号分析作为识别滚动轴承故障状态的有效方法，通常采取时频分析法对非平稳信号进行分析，采用的小波包变换（Wavelet Packet Transform，WPT）是在经典时频分析方法小波变换的基础上进行了优化[2]，弥补了小波变换的分辨率随信号频率升高而降低的不足，能够根据被分析信号的特征自适应的选择最优基函数。文献[3]将WPT 与STFT 结合起来用于滚动轴承故障诊断。文献[4]将WPT 和支持向量机用于检测轴承故障，故障种类有轴的不平衡、失调、碰摩以及碰摩和不平衡组合故障等。文献[5]在齿轮箱故障诊断研究中，利用WPT 处理声发射信号和振动信号，将声信号特征与振动信号特征进行深层融合，实验证明两者的融合有助于提高齿轮箱故障诊断能力。

通过振动信号的分析得到与的故障特征相关的原始特征集包含大量冗余特征，而不同特征对故障状态的重要程度也不相同。针对这一问题，提出一种基于平均精确率减少的特征选择方法（Features Selection Base on Mean Decrease Accuracy，FSMDA），对原始特征集中的统计特征重要度进行量化分析标记并标记量化分析，从而达到选择重要特征进行分类的目的。……