陈宇晨，何毅斌，戴乔森，刘 湘，贺苏逊

(武汉工程大学 机电工程学院，湖北 武汉 430205)

0 引 言

滚动轴承被广泛应用于各种机械中。能够及时地对滚动轴承进行监控，检测其是否受损，对工业生产具有重要的意义[1]。滚动轴承的故障检测主要包括信号采集、特征提取、故障分类3个步骤。由于信号采集的过程中存在一些噪声，导致特征提取不准确，需要对采集的原始信号进行处理。确保得到有用的特征是对故障进行准确分类的重要保障[2]。

在对滚动轴承的信号进行处理和特征提取中，常用的方法有傅立叶变换(FT)、小波变换(WT)以及经验模态分解(EMD)等。FT和WT需要事先设定基函数，对非平稳信号的处理效果不好；EMD则是根据自身的时间尺度进行分解，可以很好地用于非平稳的信号，但EMD具有端点效应和模态混叠等缺陷。为了解决EMD的不足，集成经验模态分解(EEMD)被提出，并广泛应用到故障诊断的信号处理和特征提取过程中[3]；故障分类常用的方法有人工神经网络(ANN)、支持向量机(SVM)等，ANN需要很大的数据量以及很长的训练时间，而SVM可用于小样本训练，训练速度快，对于线性和非线性数据都有很好的分类效果，因此SVM广泛被应用于故障诊断的故障分类过程中[4-6]。

为提高SVM分类的准确率，得到最佳的分类效果，需要使用一些优化算法，为SVM计算更好的惩罚参数以及核参数。陈法法等[7]提出了EEMD能量熵和优化LS-SVM结合的滚动轴承故障检测方法；何青等[8]提出了EEMD能量熵和MFFOA-SVM结合的滚动轴承故障检测方法；……