仝 钰，庞新宇，魏子涵

(太原理工大学 机械与运载工程学院，太原 030024)

滚动轴承作为旋转机构的核心部件，其在不同载荷、不同部位的运行状况直接影响着旋转机构的性能、稳定性和寿命。为了保证设备的正常运转，需要对旋转机构运行时所产生的振动信号进行实时监测，以确保维护人员对设备的使用情况做出综合研判。传统的依靠诊断专家手动分析已不能适应当前机械领域大容量、多样性、高速率的数据特点，在面对多工况交替、故障信息耦合严重、模式不明且多变的海量机械设备数据时会导致其监测能力与泛化性能欠佳[1]。因此，将机械设备数据与智能算法结合的智能故障诊断是解决上述问题的重要手段。

传统的智能故障诊断方法包括以下三个步骤:信号采集、特征提取和故障识别。为了从复杂的非平稳噪声信号中提取具有代表性的特征，胥永刚等[2]采用双树复小波包变换对滚动轴承非平稳的振动信号进行分解得到不同频带的分量，之后结合支持向量机(SVM)进行故障诊断。乔美英等[3]利用VMD对每个模态的中心频率进行分解，之后将马氏距离与SVM相结合实现轴承的故障诊断。Lei等[4]利用小波包变换(WPT)和经验模态分解(EMD)进行特征提取，然后选择基于人工神经网络的敏感特征进行故障诊断。此外人工神经网络(ANN)、BP网络、k近邻(k-NN)等机器学习算法在滚动轴承故障诊断中均获得了广泛的应用。

然而传统智能故障诊断方法在应对大数……