郭秀才， 吴妮， 曹鑫

(1.西安科技大学 电气与控制工程学院， 陕西 西安 710054；2.甘肃靖远煤业集团有限责任公司， 甘肃 白银 730913)

0 引言

在矿井恶劣的工作环境下，通风机受客观因素、机械磨损等的影响，经常发生故障。滚动轴承作为通风机主要部件，发生故障的概率较高。据统计，通风机滚动轴承故障发生率高达30%以上[1]，因此，研究矿用通风机滚动轴承故障诊断方法对煤矿安全生产具有重大意义。

滚动轴承故障智能诊断方法一般由信号采集与预处理、特征提取、故障识别、评估决策等构成，其中特征提取和故障识别最为主要。有效的信号特征提取是确保故障识别高准确率的基础,目前多用时频特征提取法，如小波变换、经验模态分解(Empirical Mode Decomposition，EMD)等。鞠晨等[2]对采集的滚动轴承振动信号进行小波包分解并提取分量能量特征，通过粒子群优化算法优化BP神经网络(Back Propagatiom Neural Network，BPNN)完成故障诊断。王林军等[3]利用EMD分解振动信号，获取分量并提取其能量特征，结合遗传算法优化的BPNN完成轴承故障类型识别。上述信号特征提取方法仅提取时频分量特征，失去了原有信号直观特征，导致故障诊断精度不高。在时频分量信号特征的基础上，加入原始振动信号相关时域、频域特征可对信号特征全面挖掘，相对精确地描述轴承运行状态，但特征的增加会加大计算复杂度。核主成分分析法(Kernel Principal Component Analysis，KPCA)将多个高相关性变量转换成少数包含原变量大部分信息且彼此不相关的变量，实现融合降维，减少计算量。……