杨腾，宁芊，陈炳才

（1.四川大学电子信息学院，成都610065；2.大连理工大学计算机科学与技术学院，大连116024）

0 引言

大型机电设备是复杂的非线性动态系统，具有不确定性、非线性、时变等特点，故障状态复杂，干扰因素多[1]。滚动轴承作为机电设备的重要组成部分，故障如若发现排查不及时，或是诊断出错往往会导致生产延误和维修费用过多，甚至成为生产作业人员人身安全的重大隐患[2]，因此准确及时的检查与诊断滚动轴承的故障以最大限度地降低性能下降和避免危险的发生是必要的，也是故障诊断研究者们近年来不断追求的。

早期故障诊断一般先对收集到的滚动轴承振动信号进行分析处理，选取合适的特征信号进行提取[3]，然后再输入到支持向量机（SVM）、模糊C均值聚类等机器学习算法中进行故障诊断和分类。传统的特征特征提取可分为三类：基于时域分析的信号特征提取，基于频域分析的信号特征提取以及基于时频分析的信号特征提取[4]。Yan提出的一种多域特征支持向量机优化分类算法在滚动轴承故障诊断中的应用[5]，从时域、频域、时频域等多域方面提取故障特征信息然后利用基于粒子群优化的支持向量机分类模型，实现了滚动轴承多故障状态的识别。Li提出了一种基于置换熵、集成经验模式分解和支持向量机优化的轴承故障诊断模型[6]，通过整体经验模态分解（EEMD）将振动信号分解为一组固有模态函数，利用特征空间中簇间距离（ICD）优化的SVM对故障类型和故障严重程度进行分类。……