彭 成，贺 婧，唐朝晖，陈 青，桂卫华

(1.湖南工业大学 计算机学院，湖南 株洲 412007；2.中南大学 自动化学院，湖南 长沙 410083)

0 引言

滚动轴承[1]是旋转机械装置的关键组成部分，其性能的好坏直接影响整个设备的运行状态。在故障发生的早期，故障缺陷如裂纹尺寸等相对较小，特征过于微弱，难以及时检测并定位。而当早期故障扩展到一定程度时，将影响旋转机械装置的正常运行和整体效能，甚至导致灾难性事故的发生。若能采集早期故障的信号数据[2]，并实时提取最能表征轴承运行状态的特征信息，精确地对早期故障进行识别诊断，便可以及早规避风险，优化维修策略，降低成本支出。因此，对滚动轴承进行早期检测和故障诊断意义重大。

目前，滚动轴承故障诊断可分为3个步骤，分别为特征提取、特征选择和故障识别[3]。振动信号分析是轴承故障特征提取和诊断的常用方法[4]。Wang等[5]、Cheng等[6]采用收集成本低且具有简便性的电流和振动信号进行故障诊断，但其局限性在于无法对轴承早期所激发的微弱故障进行特征提取和精确诊断。声发射(Acoustic Emission, AE)是一种新型在线无损检测技术，在物体产生变形、裂纹等缺陷的初始阶段就能接收到大量的AE信号，且AE信号的频率范围一般在100 kHz～1 000 kHz之间，不受其他噪音影响[7-9]。因此，AE技术在早期轴承故障诊断方面具有更高的敏感性和可靠性。Sánchez等[10]通过提取振动、电流和AE信号中的特征按Chi排序使用K最近邻(K Nearest Neighbor, KNN)分类器对早期故障进行诊断，实验结果表……