焦卫东，丁祥满，严天宇，闫莹莹

（1.浙江省城市轨道交通智能运维技术与装备重点实验室；2.浙江师范大学工学院，浙江 金华321004）

滚动轴承是机械系统中的通用件，广泛应用于感应电机、轨道车辆走行部等旋转机械装备，其内圈、外圈、保持架以及滚动体元件极易发生疲劳破坏，导致突发的故障或非计划的生产停顿，造成严重的经济损失。机器健康状况监测中对轴承的监测相当重视，相应开发了多种诊断方法[1]。

任凌志等基于多尺度线调频基稀疏信号分解的广义解调方法，对非平稳故障信号进行平稳化处理，然后应用于非平稳转速下滚动轴承的故障诊断[2]。胡爱军等提出一种基于集成经验模态分解（EEMD）与峭度准则的包络解调方法。该方法基于最大峭度准则选取EEMD分解的本征模态函数（IMF），通过对IMF进行包络解调获得滚动轴承故障特征信息[3]。刘中磊等借助包络解调和线调频小波路径追踪算法，估计包络故障特征频率，通过角度重采样技术进行信号平稳化处理，然后利用双谱分析的对角切片进行轴承故障诊断[4]。刘丽娟等提出一种基于流形学习与一类支持向量机（SVM）的轴承早期故障识别方法，基于拉普拉斯特征映射流形学习算法用于样本特征压缩，一类支持向量机用于各状态的分类识别[5]。何青等针对滚动轴承发生故障时，振动信号的时域和频域特征都会发生变化的特点，提出了基于EEMD、改进果蝇优化算法和SVM的滚动轴承故障诊断方法[6]。……