徐彦伟，蔡薇薇，颉潭成，陈立海，刘明明

(1.河南科技大学 机电工程学院，河南 洛阳 471003；2.智能数控装备河南省工程实验室，河南 洛阳 471003)

0 引言

地铁牵引电机轴承在高温、交变负荷和长时间疲劳的恶劣工况下运行，其内、外圈滚道及滚动体上容易出现裂纹、点蚀等局部损伤或缺陷，导致牵引电机产生噪音和异常振动[1]。作为地铁动力系统的关键部件，牵引电机轴承一旦出现故障，轻则影响地铁平稳行驶，出现运行异常，重则损伤设备，造成牵引电机卡死、异常停车等险情，还可能造成重大经济损失甚至人员伤亡。若能准确、及时、智能地识别牵引电机轴承运行中萌生和演变的故障并及早进行维护，则对地铁安全运行具有重大意义[2]。

传统的机械故障诊断方法主要通过信号处理与诊断经验提取浅层故障特征，然后利用不同的模式识别方法进行分类诊断[3]，例如AMIRAT等[4]采用整体经验模态分解方法研究风轮机轴承的故障诊断，辜振谱等[5]基于改进密度峰值聚类方法对航空发动机故障进行诊断，王保建等[6]研究支持向量机在故障智能诊断中的应用，这些研究取得了较好的效果，但需要掌握大量的信号处理技术和丰富的工程实践经验进行故障特征提取[7-10]，且较少考虑工况变化对故障诊断结果的影响。变工况下的滚动轴承故障信号中蕴藏着丰富的故障特征信息，近年来，众多学者对变工况下滚动轴承故障的特征提取方法进行了深入研究，例如赵德尊等[11]研究了基于自适应广义解调变换的滚动轴承时变非平稳故障特征提取方法；……