罗源睿 王海瑞

（昆明理工大学信息工程与自动化学院）

滚动轴承在电力、冶金及航空等领域的应用非常广泛，尤其是在旋转机械设备上，是不可或缺的部件之一。然而大多数机械设备发生故障都与滚动轴承密切相关，因此对滚动轴承的故障诊断研究具有十分重要的意义［1］。

由于滚动轴承是最易损的部件之一，且出现故障时的振动信号多呈现非线性、非平稳性［2］。因此Wu Z H等提出了集成经验模式分解（Ensemble Empirical Mode Decomposition，EEMD）方法［3，4］，通过在每次信号分解的过程中添加高斯白噪声，在有效滤除噪声影响的同时也解决了分解中存在的模态混叠现象。

支持向量机（Support Vector Machines，SVM）在故障诊断方面的应用很广泛，对于解决小样本、非线性及高维特征等问题具有很好的识别能力［5，6］。但SVM中核函数参数σ和惩罚参数C往往依靠人为经验来选取，其值的大小对SVM的识别准确率尤为重要。近年来，群智能算法在优化SVM参数方面取得了很大的进展，其中蚁群算法［7］、遗 传算法［8］及 粒子群 算 法［9，10］等 应 用 广 泛。笔者采用蝙蝠算法［11］（Bat Algorithm，BA）来优化SVM参数，实验结果证明了该方法能获得更高的识别率和较好的性能。

1 EEMD

1.1 EEMD的基本原理

EEMD是在经验模式分解（Empirical Mode Decomposition，EMD）的基础上改进得到的［12］。通过在EMD分解信号中加入高斯白噪声并进行多次分解求均值，使信号在不同尺度上具有连续性，不仅能有效滤除噪声对信号的影响，还抑制了EMD分解中存在的模态混叠现象［13］，具体步骤如下：

a.首先在原始信号x（t）中多次加入高斯白噪声ni（t），则第i次加入高斯白噪声后的信号xi（t）=x（t）+ni（t）；……