叶小芬，王起梁，祝 敏，张浩瀚

（中车戚墅堰机车车辆工艺研究所有限公司，江苏 常州 213011）

0 引言

滚动轴承是列车齿轮传动系统的关键部件，滚动轴承的故障诊断一直受到人们的重视。近几年，国内外学者对轴承振动信号的分析开展了大量研究，常用的基于时频域的故障特征提取方法有短时傅里叶变换、局部特征尺度分解、局域均值分解、经验模态分解[1]、小波及小波包[2-3]分析、Hilbert-Huang 变换[4]/谱峭度分析[5]等。小波包变换被证实为非常有效可行的特征提取方法，另外分形维数、近似熵和样本熵等非线性方法的引入极大地丰富了故障诊断的方法和技术；此外，DS 证据理论给出了多源信息的组合规则，广泛应用于信息融合、决策分析等领域[6]。

本研究利用小波包对轴承振动信号多层分解，构造小波包能量分布和层次熵为故障特征集，分别建立BP 神经网络实现轴承故障分类诊断，最后应用D-S 信息融合理论，将2 种方法的诊断结果融合，以提高轴承故障诊断的准确率。故障诊断技术原理如图1 所示。

图1 轴承故障诊断技术原理图Fig.1 Schematic diagram of fault diagnosis technology of bearing

1 算法原理

1.1 小波包分解

小波包是小波分析理论的重要组成部分，小波包与小波的主要区别在于小波包每一层分解都同时分解低频的近似信号和高频的细节信号，在保留了信号完整性的基础上又提升了信号的低、高频段分辨率，一个3 层分解的小波包树形结构见图2，分解后得到的数据称为小波包（或称频带）。

图2 小波包树形结构图……