冷 佳，刘 镇，张笑非，汤浩宇

（1.江苏科技大学 计算机学院，江苏 镇江 212100；2.江苏科技大学苏州理工学院电气与信息工程学院，江苏苏州 215600）

0 引言

轴承是最基本、最重要的机械部件之一，它的任何部位出现故障都可能导致机器运行状况恶化，发生机械故障和人员伤亡。因此，准确识别轴承故障至关重要。基于振动信号分析的故障诊断方法能有效诊断机械缺陷［1］。轴承振动信号分析是故障诊断和故障检测的重要途径。用于轴承故障诊断的振动信号处理方法一般包括特征提取和模型选择与构建两个阶段［2］。

在提取信号特征方面广泛使用的是时域分析、频域分析和时频域分析方法。典型的时域分析是从时间序列信号中计算统计条件指标，常用的条件指标包括描述性统计，如平均值、峰值、峰间间隔和标准差。采用均方根（Root Mean Square，MS）、波峰因子等简单条件指标检测局部轴承缺陷的效果有限［3］。由于频域分析可以很容易地分离和识别某些重要信号特征，它比时域分析有一定优势；快速傅里叶变换（Fast Fourier Transform，FFT）［4］是一种典型的频域分析方法，FFT 可有效获取窄带光谱。在轴承故障诊断中，高频段和低频段的频谱成分都是有价值的，特别是滚动轴承的缺陷在运行过程中产生短暂的脉冲，导致特定频段内高能。一般采用时频域分析方法来扩展非平稳波形信号的频域分析能力，常见的时频域分析方法有短时傅里叶变换（Short-Fourier Transform，STFT）［5］、Wigner-Ville 分布［6］和小波变换（WT）［7-8］等，它们可以处理非平稳信号进行机器故障诊断。……