李大江

(广东铭安职业安全技术检测有限公司，广东 广州 510045)

滚动轴承是旋转机械中应用最广的零部件之一，其工作状态直接影响着整个机器设备的性能。与其他零部件相比，滚动轴承工作环境恶劣，并且长期处于连续运转状态，是机器中故障率最高的零部件[1]，因此对滚动轴承的工作状态进行早期检测和故障诊断对于保证机器的安全、稳定运行具有重要意义[2]。

滚动轴承故障时产生的振动信号是一种典型的非平稳、非线性信号，因此很多非平稳、非线性信号特征检测方法如小波变换、经验模态分解、局部均值分解等都被应用于滚动轴承早期故障诊断领域。刘霞等[3]采用小波变换将信号转换到时频域并提取奇异熵特征进行滚动轴承故障检测，但是小波基函数的选择和分解层数的确定对结果影响较大；胡爱军等[4]采用集成经验模态分解对滚动轴承故障信号进行分析，并根据峭度准则提取特征实现故障检测；刘震坤[5]、徐乐等[6]将局部均值分解方法应用到滚动轴承故障检测领域，提取能量熵特征对正常和故障滚动轴承振动信号进行区分。

上述研究方法都是从某个特定的变换域对滚动轴承振动信号进行分析，提取的特征较为单一，没能包含不同维度的信息，具有一定的局限性。本文提出一种基于局部均值分解(local mean decomposition, LMD)和共空间模式(common spatial pattern, CSP)的时-频-空多域特征提取方法,实现对轴承外圈故障、内圈故障和滚柱故障3种状态的分类,相对于单一特征具有更高的分类性能。……