陈 剑，蔡坤奇，陶善勇，杨 斌，刘圆圆，刘幸福，黄凯旋

(1.合肥工业大学 噪声振动研究所，安徽 合肥 230009；2.安徽省汽车NVH技术研究中心，安徽 合肥 230009)

1 引 言

滚动轴承是大多数机械和电气设备的重要支承部件，它发生故障将直接影响设备的正常工作，导致重大经济损失。准确有效地轴承故障诊断既可提高设备运行的可靠性和稳定性，也可避免重大事故的发生[1]。

滚动轴承故障诊断主要包括两个方面，故障特征提取和故障模式识别。通常，故障特征提取可进行时域特征、频域特征或者时频特征分析，进而构建特征向量。对于非平稳、非线性信号，时频分析是最有效的分析方法。常见的滚动轴承故障时频提取方法有：局部均值分解、经验模态分解、变分模态分解、小波变换、固有时间尺度分解等[2，3]。故障模式识别是人工智能研究领域的一个重要研究方向，基于系统论、控制论和信息论，主要研究参数估计、系统辨识等。常见方法有：神经网络、聚类分析和支持向量机方法等[4，5,15]。

固有时间尺度分解(intrinsic time scale decomposition，ITD)是Frei M G等人提出的一种自适应时频分析方法[6]，相比经验模态分解(empirical mode decomposition，EMD)和局部均值分解(local mean decomposition，LMD)，ITD方法在端点效应和计算效率方面优势明显，且适合在线监测和分解[7]。但ITD方法自身也存在一些不足，即采用线性变换构造基线号有可能导致分解后的信号出现毛刺而失真；IITD(improved intrinsic time scale decomposition)方法改善了ITD分解的波形失真和端点效应问题，广泛应用于故障诊断领域[8，9]。文献[10]提出基于固有时间尺度分解和近似熵结合随机森林(RF)的轴承故障诊断方法，虽提高了微弱信号故障诊断准确率，但近似熵采用硬阈值判据指标，影响数据统计结果稳定性。……