金江涛 许子非 李 春 缪维跑肖俊青孙 康

（1.上海理工大学 能源与动力工程学院,上海 200093;2.上海市动力工程多项流动与传热重点实验室,上海 200093）

1 引言

机械零部件的故障诊断是现代复杂工业环境中的新兴产业,滚动轴承作为机械设备中的核心部件,受机械振动磨损、交变载荷及热疲劳等因素影响,导致故障频发[1—2].若轴承发生故障将导致机器设备异常运行,造成经济损失甚至引发重大事故[3].因此,对滚动轴承进行有效的故障监测和诊断是机械维护中不可或缺的一部分,具有重要的研究意义[4].

目前轴承故障诊断的方法主要有基于解析模型、基于数据驱动、基于定性知识和基于半定量信息.定性描述相对于定量描述较为粗糙,存在冗余信息,会造成诊断结果不唯一,而采用半定量信息的方法虽方便迅速,但误差值较大[5].基于解析模型的方法,通过动态建模对轴承进行仿真,需要高精度参数实现,且由于工作环境复杂,难以掌握故障机理,普适性较差[6].相比之下,基于数据驱动的方法所采集的数据蕴含复杂系统的运行机理和规律,且运用先进的智能故障诊断方法可实现更准确的故障诊断,广泛应用于工业工程中[7—8].基于数据驱动的传统故障诊断方法,由特征提取与状态分类两部分组成.信号特征提取方法主要有小波变换、经验模态分解、固有模态分解和变分模态分解[9].状态分类的方法主要有支持向量机（support vector machine,SVM）、BP神经网络及K邻近算法[10].由……