胡 超，沈宝国，杨 妍，谢中敏

（江苏航空职业技术学院航空工程学院，江苏 镇江212134）

1 引言

旋转机械中，滚动轴承是运用最为广泛同时也是损坏率最高的部件之一。在以往的故障诊断中，通常采用油液分析法进行故障部件识别［1］。但由于油液分析存在人为因素干扰，导致其应用受到限制。随着转子动力学的深入研究，诸多学者采用提取振动信号的故障频率进行诊断，如：快速傅里叶变换［2］、小波分析［3］、经验模态分解［4］等。但这些方法均存在部分缺陷，如：快速傅里叶属于整体变换，利用全部时域信号，不适宜于处理故障信号等非性问题；小波分析受制于窗口函数选择；经验模态分解容易产生模态混叠现象。

近年来，奇异谱分析能够有效地将时间序列中信号和噪声剥离［5］，因此被用于轴承故障诊断中。但奇异谱在构造时，由于子矩阵选择的不同，导致重构信号差异较为明显。考虑到高维信号中包含着部分有用信息，因此张量分解被运用到奇异谱分析中［6］。由于张量分析能够有效的将信息从一维映射到高维中，能够通过标准张量分解将纯谱信号从高维中还原。因此，张量奇异谱被运用到机械故障诊断［6］、轴承故障诊断［7］、发动机故障诊断［8］中。

虽然张量奇异谱能够很好的对信号进行分离，但频谱分析时如果方法不当亦会导致倍频混杂难以快速找到。因此，近来诸多故障诊断采用信号处理和人工智能结合的方法，如：支持向量［9-11］、人工神经网络［12，13］、Elman［14］和RBF网络［15］对轴承故障进行有效地诊断。……