刘志刚, 熊国良, 张 龙

(1.江西交通职业技术学院 江西省交通运输行业现代交通运输物流重点实验室，南昌 330013,E-mail:zhigangliu@ecjtu.edu.cn; 2.华东交通大学 载运工具与装备教育部重点实验室，南昌 330013)

随着轨道交通车辆朝高速、重载方向发展，动力传动部件长期处于变速变载的恶劣运行工况，一旦诱发设备故障，将导致紧急停车影响干线运营秩序，甚至灾难性的人员伤亡，产生严重的社会影响。轴箱轴承、齿轮箱轴承是驱动装置的核心机械零部件，因此，对恶劣运行工况下的滚动轴承等旋转部件进行性能退化评估，在定修周期内评估轴承损伤程度、研究故障预警阈值[1]，为赢取时间采取措施，以降低故障损失或避免系统故障发生具有重要意义。

在设备越发复杂及对其运行可靠性的要求逐渐提高的背景下，设备状态监测点多、数据量庞大，工业大数据时代的到来推动了故障诊断技术由常规人工诊断向智能诊断的转变，目前国内外学者已在滚动轴承智能诊断方面开展了广泛研究。孟宗等[2]利用基于LMD多尺度熵和概率神经网络的方法对滚动轴承故障进行有效的识别与诊断；李锋等[3]采用量纲一化排列熵误差构建状态退化特征集，输入双隐层量子线路循环单元神经网络(DHL-QCRUNN)，预测滚动轴承性能退化趋势；赵元喜等[4]将谐波小波包分解和BP神经网络相结合，应用于滚动轴承的声发射信号模式识别，获得良好效果。K.C.Gryllias等[5]将滚动轴承无故障模型的仿真数据作为训练样本，得到相应的振动测度输入支持向量机(SVM)分类器进行故障识别分类。……