章雅楠，孙建平，刘新月

(华北电力大学 控制与计算机工程学院，河北 保定 071003)

0 引 言

在突飞猛进的现代自动化工业中，为保证现场运行的安全，对于机械设施的故障诊断变得尤为重要。当前，实际现场会将运行过程中的重要参数进行监控记录，但面对产生的大量运行数据，如何从中及时发现故障原因成为了热点问题[1，2]。相比传统的故障诊断方法，基于数据驱动为前提的方法可无需事先知道模型，在自身的学习机制下可自动形成所要求的决策模型[3]。在应用数据驱动的过程中，研究对象常为多特征输入，易出现诊断时间过长的现象。考虑于此，本文的优化目标重点在于保证决策模型精度的要求下，尽可能的降低复杂性，加快故障诊断的速度，进而提高决策模型的性能。

滚动轴承作为现场最为普遍的机械零件之一，同时也是高频易损零件。看似普通的滚动轴承如若出现故障，小则造成设备异常，大则出现安全隐患。目前，对滚动轴承故障的研究常通过分析传感器上大量振动信号并提取故障特征的方法。当下，了解到在文献[4]中提出利用经验模态分解的方法进行故障诊断可取得较好成效。在文献[5]中提出了结合峭度和Morlet小波的方法对不同共振频带的轴承做到增强特征的改进，使得在故障诊断性能上有一定的提升。文献[6]设计了小波包变换和GA-Elman神经网络的方法在故障诊断率方面具有一定的优化。但仅利用经验模态分解或小波包变换等信号分解的方法存在一定的弊端，分解过程无自学习，如遇到外界环境突变或相似类型故障同时发生时，分解故障信息的效果会减半。……