陈里里，付志超,凌 静,董绍江

(1.重庆交通大学 a.机电与车辆工程学院；b.城市轨道车辆系统集成与控制重点实验室，重庆 400074;2.重庆市勘测院，重庆 400020)

0 引言

滚动轴承作为旋转机械设备中广泛应用的基本部件，随着对旋转机械速度、载荷的要求越来越高，滚动轴承工作状态直接影响并决定着整个机器的性能安全[1]。同时，滚动轴承故障的发生，不仅会带来巨大的经济损失，甚至会给操作人员带来安全隐患。据统计，在旋转机械中，约30%的机械故障与滚动轴承损坏有关[2]。因此，对滚动轴承进行有效的状态监测具有重要意义，可以尽早诊断出故障，从而降低维护成本，最大程度地减少停机时间并防止灾难性损坏。

目前国内外在对滚动轴承故障诊断的研究过程中, 首先对故障信号进行特征向量的提取, 再通过分类器对不同振动信号的特征向量进行模式识别，可实现不同类型的轴承故障诊断[3]。陈剑等[4]利用基于 IVMD和马田系统的方法实现滚动轴承的故障诊断。汪朝海等[5]提出基于经验模态分解与主成分分析的滚动轴承故障诊断方法。戴洪德等[6]提出一种基于平滑先验分析和排列熵的方法对滚动轴承故障进行了识别诊断。尽管传统的智能方法在滚动轴承故障诊断领域取得了显著成就，但所提取的信号特征属于浅层结构，存在一定的局限性，并且选择的信号特征很大程度上取决于研究人员的先验知识，可能导致有效特征信息的丢失。因此需要使用先进的信号处理技术对故障信号进行特征提取，来代替自适应地手动提取和选择特征。……