王鸣明，李凌均，张炎磊，汪一飞

（郑州大学振动工程研究所，河南 郑州 450001）

1 引言

滚动轴承是旋转机械重要组成部分，其运行状况直接影响到整台机器的安全运行。在旋转机械的各种故障中，约有30%是由滚动轴承的故障引起的[1]。因此预测滚动轴承故障是十分必要的。佐治亚理工学院教授Vachtsevanos 把预测方法分为3 类，基于物理模型的预测方法，基于概率模型的预测方法和基于数据驱动的预测方法[2]。在机械故障诊断领域中，Matej Gasperin 等采用随机动态建模方法对齿轮剩余寿命进行预测[3]。文献[4]以单自由度系统形式对滚动轴承进行建模成功预测了轴承剩余寿命。文献[5]将小波相关排列熵和隐马尔可夫模型相结合，有效的预测了滚动轴承故障发生的概率。

极限学习机（extreme learning machine，ELM）是由文献[6]提出的单隐含层前馈神经网络算法。具有泛化学习能力强、训练速度快等优点，已成功应用于机械故障诊断领域。文献[7]将灰狼优化算法用于改进极限学习机，实现滚动轴承的故障分类。文献[8]提出了一种基于主成分分析和多变量极限学习机的轴承剩余寿命预测方法。文献[9]将粒子群算法与核极限学习机结合，用于磨煤机的故障诊断。

目前极限学习机多用于滚动轴承寿命预测，对于故障类型的预测则相对较少。而预测故障类型，就需要对振动信号的频谱结构进行分析。由于不同方向测得的振动信号存在差异，导致频谱结构也会出现差异。文献[10]提出的全矢谱技术可以融合同源多通道信号，为频谱的分析和预测提供了基础。……