张伟涛，纪晓凡，黄 菊，楼顺天

(1.西安电子科技大学 电子工程学院，陕西 西安 710071；2.中国航发贵阳发动机设计研究所，贵州 贵阳 550081)

滚动轴承是航空发动机以及其它装备的核心旋转部件。由于航空发动机主轴轴承长期工作在高温、高速、重载的严苛工况下，因此前期出现的微小故障将很快演变为严重故障，从而对飞行安全造成重大威胁。对航发主轴轴承的运行状态进行连续监测，并及时检测潜在的故障是提高旋转设备可靠性与安全性的关键。目前，航发主轴轴承故障诊断的难点在于强背景噪声和其它干扰信号的影响，尤其是当存在复合故障时，采集的振动信号成分将变得更为繁杂，这给复杂工况下的主轴轴承故障诊断带来了更大的挑战。

近年来，针对滚动轴承复合故障诊断问题提出了很多方法[1-5]，包括传统频谱分析方法、谱峭度方法、盲信号分离方法、盲信号提取方法以及智能诊断方法等。传统包络谱分析方法通过从包络谱中直接读取故障特征频率确定故障类型，然而在复杂工况下，主轴轴承的微弱故障频率成分很可能被背景噪声或其它强振动干扰所淹没，因此传统的包络谱分析方法往往失效。最大相关峭度解卷积(Maximun Correlated Kurtosis Deconvolution，MCKD)方法[6-8]把相关峭度最大值对应的信号视为干扰成分，提取出指定周期的解卷积信号。然而，最大相关峭度解卷积算法对参数的取值非常敏感，这极大地限制了其实际应用。典型的盲信号提取方法的信号提取顺序是无法确定的，更无法利用先验信息提取感兴趣的信号。……