高 山，周玉平，陈 宏，张 旺

（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中不可缺少的部件之一，其主要作用为支撑机械旋转体，降低旋转运动中的摩擦系数，并且保证其回转精度。然而在长期运行过程中，由于初始装配不当，制造不精确或者润滑不充分等原因，滚动轴承[1]的缺陷和磨损是不可避免的。

如何对滚动轴承故障进行准确识别这一话题，几十年来吸引了国内外的大量学者对其进行研究，由于缺陷损坏部分影响旋转系统其它部件并产生振幅调制振动，因此包络分析和解调技术[2]也被广泛应用于旋转机械的故障诊断，由于故障的振动信号通常具有较高的复杂性，近年来许多研究人员利用人工智能和机器学习[3]的概念来识别旋转机械故障的类型。比如先用小波包分析方法对故障信号进行去噪处理，然后利用神经网络能自适应的学习机制和可以连续学习的特点对轴承故障进行分类，取得了较为理想的分类结果，当故障振动信号的数据较少时，利用支持向量机来进行小样本的故障类型识别[5]，具有鲁棒性强和计算速度快的优势，可在样本数据较少时进行有效分类。

然而在实际的工况中，单一通道的数据并不能全面反映信号的特征，全矢谱技术[6]采用同源双通道信息融合技术，可以更加全面的显示出旋转设备振动的特征信息，有效避免了单通道数据不能全面反映振动信息的缺点。为了克服EMD 算法的模态混合问题，以EMD 算法为基础，研究发展出EEMD 算法，并在处理信号噪声方向得到广泛的应用。……