卓鹏程，夏唐斌,2，郑美妹，郑 宇，奚立峰,2

(1.上海交通大学 机械与动力工程学院，上海 200240；2.上海交通大学 机械系统与振动国家重点实验室，上海 200240)

随着我国工业水平的不断发展,工业领域的设备在不断趋向大型化、复杂化。大型复杂装备的平稳安全运行关系到生产安全的关键核心[1]。滚动轴承作为大型复杂设备的重要组成部分，其性能退化或失效将影响整机性能甚至导致设备非计划停机，造成严重经济损失甚至重大人员伤亡。据统计，约45%～55%的旋转机械故障是由于滚动轴承的损伤所造成的[2]。然而当滚动轴承处于故障初期时，其故障信息往往表现比较模糊，振动信号异常不明显。同时因为缺乏对轴承故障程度的掌控，往往当滚动轴承处于故障晚期时才有明显表征，诊断滞后会造成严重的失效风险。因此，对于滚动轴承故障中早期的诊断则十分必要，可以有效地预先设计维修与更换方案。在当前制造业中，对滚动轴承建立退化模型或进行剩余寿命预测需要大量全生命周期状态数据，且预测模型与实际退化状态之间的误差较大。因此，实现滚动轴承实时精确的故障初期、中期及晚期诊断，可以有效降低事故发生率，对于提高企业的制造运维和健康管理水平具有重要意义。

滚动轴承故障诊断技术目前主要包括两个方面：故障信号提取与故障模式识别。在故障信号提取方面，目前常用的方法有Hilbert-Huang变换、小波变换(wavelet transform,WT)、经验模态分解(empirical mode decomposition,EMD)与集合经验模态分解(ensemble empirical mode decomposition,EEMD)等[3-6]。……