王嘉浩，罗 倩，胡园园

(北京信息科技大学信息与通信工程学院，北京 100192)

1 引言

随着工业的进步，旋转机械日益向集成化、大型化、高速化和智能化的方向发展[1]。在各种旋转机械中，滚动轴承是常见也是易于损坏的零部件之一，具有易启动、摩擦小、润滑简单和更换方便的优点，广泛用于精密仪器、航空航天、汽车、机床、机器人等领域。据有关资料统计，旋转机械的故障中振动故障占70%，而30%的振动故障是由滚动轴承故障引起的[2]。因此，滚动轴承的故障诊断理论和应用研究一直是旋转机械故障诊断领域的一个重点。

由于机车滚动轴承发生故障时信号是非平稳的，其振动信号各频带的能量发生相应变化，利用各频带能量分布作为该状态下轴承故障特征[3]。传统的距离度量方法，多数针对空间中不同的样本点，对不同分布间的相似度难以实现有效度量。传统的分布相似度度量方法，在度量不同分布间的相似度时，受重叠程度的影响严重，难以实现有效的相似性度量。EMD在度量不同分布间的相似度时，具有不受分布位置影响的优势[4]。针对EMD的这种特性，本文将EMD引入KNN算法中，提出了基于KNN-EMD算法的机车轴承故障诊断方法，提高诊断准确率。

2 小波包分析及能量提取

2.1 小波包理论分析

小波包分解以小波变换为基础，但比小波分解更加精细。小波包分解不仅针对信号的低频部分进行分解，对信号的高频部分也同样进行分解[5]。这种分解方式解决了小波分解再高频段内频率分辨率差，在低频段内时间分辨率差的缺陷。……