金 阳，王 林，崔朗福，黄云涛，张庆振，张 如，韩晓萱，张超祺，宋子雄

(1.北京航空航天大学 自动化科学与电气工程学院·北京·100191；2.北京航天控制仪器研究所·北京·100854；3.北京航天自动控制研究所·北京·100085)

0 引 言

滚动轴承既是支撑数控机床主轴作回转运动的重要元件，又是精密机床设备的薄弱环节[1]。因此，开展针对滚动轴承故障诊断的研究，对提高设备的可靠性而言具有重要意义。

在基于轴承振动信号分析的故障诊断模型中，两大关键问题是故障特征提取和故障模式识别[2-3]。故障特征提取的主要方法包括基于时域、频域和时频域等的信号处理方法[4-5]。文献[6]提取了信号时域的波形长度(Waveform Length，WL)、Willison幅值(Wilson Amplitude，WAMP)、过零点(Zero Crossing，ZC)和斜率符号改变(Slope Sign Changes，SSC)特征，构成了特征向量，但该方法在强环境噪声的工程实际应用中效果欠佳。文献[7-9]出于对轴承运行时损伤点与正常表面接触时所产生的周期性冲击力的考虑，提取了故障特征频率的相关信息作为特征向量，但此类方法会受轴承制造装配误差以及转速不稳定因素的影响，使实际故障特征频率产生偏移。针对上述问题，本文采用了基于小波包能量特征[10]的提取方法，利用主成分分析方法进一步去除了环境噪声和装配误差等随机成分，完成了对滚动轴承故障模式特征的提取。

人工智能是故障诊断领域发展的重点方向，由于轴承故障的模式多样，故障模式与特征的联系具有不确定、非线性的特点，故障模式的识别方法主要为机器学习方法。……