黄磊，马圣

(1.江苏航空职业技术学院 航空工程学院，江苏 镇江 212134；2.成都芯米科技有限公司 技术研发部，成都 610213)

轴承在旋转机械中承载着较强的工作载荷，其性能好坏直接决定着旋转机械的动力性能。随着对转子动力学的深入研究，振动信号能够用于揭示设备的健康状况，但实际工程中的轴承振动信号往往掺杂着不同部件振动带来的噪声而呈现为非平稳的周期信号，直接提取振动信号的故障特征难度较大。

奇异谱分析(Singular Spectrum Analysis,SSA)是一种基于主成分分析的非参数估计方法，常用于处理包含噪声的非平稳信号，其主要依据轨迹矩阵的主成分进行奇异分解、特征重组和重构，这种选择方式对其性能影响极大[1-3]。因此，文献[4]提出自适应的信号处理方法，实现信号从高频到低频的重构；文献[5]将分解后的分量进行形态学解调以避免端点效应并用于滚动轴承故障诊断。

另外，振动信号分析结合人工智能诊断方法成为主流，如支持向量机[7-9]、学习机[10]、人工神经网络[11]等被用于轴承故障诊断。但部分神经网络需要大量的训练样本，而支持向量机(Support Vector Machine,SVM)能够通过少量样本解决非线性高维空间问题，推广性较强。罚参数和核参数的取值影响着SVM的性能[12]，粒子群算法(Particle Swarm Optimization,PSO)相比遗传算法具有操作简单，寻优速度快等特点，但易陷入局部极小值等问题限制了PSO的扩展性[13]。

综上所述，引入信息增益比(Information Gain Ratio，IGR)选择SSA分解后的分量信号进行重构去噪，采用动态惯性权重并引入梯度信息改进PSO，最终使用基于信息增益比的奇异谱分析对振动信号降噪，并结合改进PSO(IPSO)优化的SVM对滚动轴承进行故障诊断。……