孙 萧，黄 民,，马 超

(北京信息科技大学 a.机电工程学院；b.现代测控技术教育部重点实验室，北京 100192)

0 引言

滚动轴承是旋转系统的重要组成部件。研究轴承的故障诊断，能够确保现代机械设备的正常运作[1-2]。针对具有强背景噪声、非平稳、非线性的故障声信号的研究，对于轴承故障诊断具有重要的意义。

对于非平稳、非线性信号分析和故障诊断，国内外学者做了大量研究。夏均忠等[3]利用EEMD能量熵和LSSVM相结合的方法能够有效进行滚动轴承故障识别。郝勇等[4]采用EMD包络谱结合LSSVM的方法能够有效识别滚动轴承故障类别。李天垚[5]将改进LMD多尺度熵能量和优化的LSSVM相结合有效诊断轴承故障。但EMD、EEMD、LMD方法存在模态混叠、分解不充分、运算量大等缺点，影响故障诊断结果的准确性。互补集合经验模态分解(complementary ensemble empirical mode decomposition，CEEMD)由Yeh J R等[6]提出，该方法不仅有效消除了分量中残留噪声避免模态混叠而且减少迭代次数,提高了诊断精度。周成江[7]利用CEEMD和LSSVM结合的方法有效诊断出单向阀的故障。

针对LSSVM分类模型中约束条件的惩罚因子和核函数参数优化问题，研究人员也做了大量研究。Yao Dechen等[8]采用分段阈值小波和经验模态分解(EMD)对故障信号预处理后提取能量特征输入遗传算法(GA)优化的最小二乘支持向量机(LSSVM)中有效诊断轴承故障。邓方华等[9]利用CEEMD-TQWT与PSO-LSSVM相结合的方法能够有效进行电梯导靴故障诊断。但粒子群算法、遗传算法等优化算法存在耗时长、算法过程复杂、收敛速度慢、容易陷入局部最优的问题。……