皮 骏，马 圣，王力平，李章萍

（1.中国民航大学，通航学院，天津300300；2.中国民航大学，航空工程学院，天津300300；3.珠海摩天宇航空发动机维修有限公司，TE90，广东 珠海 519030；4.中国民航大学，经济与管理学院，天津300300）

1 引言

航空发动机经常工作在高温高载荷的环境中，经常会发生机械故障，为了保证发动机有效工作，需要对其进行有效监测[1]。而轴承则是转子机械中的核心部件，其性能状态对转子机械的影响不可忽视。

轴承材料与转子机械中其他零部件采用的材料不同，因此，传统的油液分析法[2]可用于轴承故障诊断，但油液分析法往往取决于观测者的经验，因此误差大，且效率底。

随着转子动力学[3]的深入研究，发现可以根据物体振动信号进行故障诊断。这种方法减少油液分析中人为因素的干扰，但却对振动信号的提取和诊断方法提出要求，如：诊断效率、方法稳定性等等。为了达到这一要求，人工神经网络便得到了广泛运用。在文献[4-7]中，学者们利用不用同的信号处理手段对轴承故障振动信号进行处理，并分别结合支持向量机[4，5]、多核学习机[6]、Elman[7]网络等对轴承故障进行诊断，并取得较好结果。

但由于部分前馈神经网络存在一定缺陷，如：收敛速度慢、易陷于局部极值等，因而诊断效果仍有待提高。为了去解决前馈神经网络缺陷问题，文献[8]提出ELM 网络。极限学习机克服了传统神经网络学习速率慢、易陷于局部极值等缺点，因而得到广泛运用。如：文献[9]利用优化的学习机对轴承故障进行诊断，并取得较好结果；……