谭晓栋，张 勇

(1.电子科技大学 机械与电气工程学院，四川 成都 611731；2.国防科技大学 智能科学学院，湖南 长沙 410000；3.武警警官学院 部队管理系，四川 成都 610213)

0 引 言

滚动轴承在舰船、车辆、航空、化工、电力等领域的动力传动系统中有着广泛的应用。由于长期承受高负荷、高冲击等外部因素的影响，轴承的外圈、内圈和滚动体等部件极易发生故障。据统计，在某些特定的旋转机械系统中，轴承故障占到了系统总故障的44%[1]。因此，及时准确评估出轴承故障程度对减少系统停机时间，对确保系统安全、高效运行具有重要意义[2,3]。

当前，依靠振动数据进行特征提取和状态识别是故障程度评估技术的研究热点[4-9]。DEEPAK P等[10]使用了样条小波检测轴承缺陷，采用了标量指标描述故障严重程度；段晨东等[11]提出了一种基于频率切片小波变换的时频峭度谱分析方法，研究和辨识了滚动轴承的损伤特征频率；CUI等[12]通过分析剥落故障进入滚动体导致的冲击机理，提出了一种新的步进脉冲字典的匹配追踪方法，来定量地评估轴承的故障程度；SINGH等[13]通过组合经验模态分析方法，选择了对故障敏感的固有模态函数(intrinsic mode function, IMF)，优选敏感的IMF散度描述了轴承的故障程度；MOHAMMAD等[14]采用中心极限理论和双谱分析，分别提取了故障状态指标和故障辨识指标，使用改进组合经验模态分析方法实现了对轴承故障的定量诊断；程军圣等[15]使用基于均方根的早期有限样本判定方法(limited feature select sample, LFSS)，选择了滚动轴承故障样本，并通过改进Binary Bat Algorithm(FSBBA)算法提取了性能退化特征，综合LFSS与FSBBA构建了滚动轴承在线故障状态评估模型，从故障数据源和特征提取的层面提高了故障状态评估的精度；……