柏壮壮， 卢一相， 高清维， 孙 冬

(安徽大学 电气工程与自动化学院，合肥 230601)

滚动轴承在工业生产设备中占据重要的地位，它广泛应用于矿山、冶金和医疗等多个领域，它的运行状态将会直接影响整个系统的工作效率。与其他类型的机械部件相比，滚动轴承在摩擦损耗、装配和工作效率方面有很大的优势，因此它被广泛的用于旋转机械中。但是，如果轴承发生故障，将会引起连锁反应,如影响生产、造成财产损失、甚至危害生命。因此，对轴承运行状态的提前准确地监测和诊断，将会对生产系统的可靠安全运行有极大的帮助。

目前轴承故障检测常用的方法是振动检测法[1-2]，它可以很方便的获得轴承的运行数据。轴承的振动信号携带重要的特征，是可测量可区分的。但同时振动信号呈现的非线性和非平稳性且在噪声干扰情况下难以进行信号特征提取并诊断[3-4]。基于特征提取的故障诊断方法由三步实现：①信号预处理，如去噪；②提取振动信号的特征，这部分将振动信号转换为包含故障信息的多维特征向量；③利用分类器如神经网络[5-6]，随机森林[7]，支持向量机(support vector machine,SVM)[8]等算法实现对故障信号的自动诊断。

早期的轴承故障诊断使用时域统计信息如信号峰值、方差等，计算方便快速，在轴承故障信号特征提取方面应用较多，但故障程度的加深会导致时域特征变化较弱，从而不能较好地诊断故障，因此很多学者摒弃传统的时域特征，采用频域、时频域特征。……