杨婧婷

（沈阳航空航天大学工程训练中心，辽宁 沈阳 110136）

1 引言

在科技竞争日益激烈的当今世界，大型机械设备发展水平关系一个国家的综合实力和核心竞争力。轴承作为大型机械设备的关键零部件之一，其运行状态关乎整个设备的加工精度。当轴承发生故障时不仅影响加工效率，甚至造成人员伤亡，因此研究轴承故障诊断方法意义重大。

轴承故障诊断主要包括特征信号提取和故障类型辨识两个步骤[1]。特征信号可以分为时域、频域、时频域三类，其中时域特征信号有均值、标准差、均方根、偏度、鞘度、峰值因子等，频域特征信号有傅里叶频谱分析、高阶谱分析、解调谱分析等，时频域特征信号有短时傅里叶变换、小波变换、HHT 变换、局部均值分解等。故障类型辨识方法多种多样，包括专家系统[2]、故障树[3]、支持向量机[4]、神经网络[5]等方法。专家系统借助知识和数据库模仿专家推理过程[6]，故障树通过逻辑图表逐层排查分析查找故障原因[7]，支持向量机根据不同方法扩展为多类分类器用于故障类型识别[8]，神经网络通过相互连接的神经元模拟脑神经，对故障类型进行识别[9]，这些方法在不同应用领域都取得了较好的故障诊断结果，但依然没有形成普遍适用的成熟技术，轴承故障位置与故障类型的准确识别依然是当前研究的热点。

为了提高轴承故障诊断准确度，提出了新的能力算子，命名为解析能量算子。相比于Teager 能量算子，解析能量算子无需满足待解调信号瞬时频率和瞬时幅值的带宽远远小于载波这一条件，也不存在高阶近似误差和低阶近似误差。……