1、滾動軸承作為旋轉(zhuǎn)機械中應(yīng)用最為廣泛的部件，通常由于過載、磨損、不均勻受熱和潤滑不足等原因發(fā)生故障，而導(dǎo)致機械系統(tǒng)發(fā)生故障甚至引起癱瘓，造成巨大的經(jīng)濟以及人力損失。據(jù)滾動軸承相關(guān)資料統(tǒng)計，在導(dǎo)致旋轉(zhuǎn)機械發(fā)生故障的原因中約有33.3％是由于滾動軸承故障所引起，由此可見，滾動軸承的健康狀態(tài)將大大地影響整個機械系統(tǒng)的生產(chǎn)效率以及生命周期，對滾動軸承進行故障診斷變得十分有必要。然而，對滾動軸承故障信號進行特征提取一直以來都是滾動軸承故障診斷中的一

2、個難點以及重點，能否提取出有效的滾動軸承故障特征將直接影響到滾動軸承的故障檢測以及故障分類的正確性。因此，本文對滾動軸承故障信號的特征提取方法進行深入的研究。
　　本文以滾動軸承振動信號為研究對象，在對振動信號進行故障特性分析的基礎(chǔ)上，采用混合型的信號處理方法，提出了基于多變量模態(tài)分解（Multivariate Empirical Mode Decomposition,MEMD）和排列熵（Permutation Entropy,P

3、E）綜合的滾動軸承故障特征提取算法以及基于譜峭度（Spectral Kurtosis,SK）和改進關(guān)聯(lián)維數(shù)的滾動軸承故障特征提取算法。主要內(nèi)容如下：
　?。?）研究了目前應(yīng)用于滾動軸承振動信號的分析處理方法：基于時頻域分析的MEMD和SK，以及基于統(tǒng)計分析的PE和關(guān)聯(lián)維數(shù)等方法。采用這些信號處理方法對仿真計算和實驗采集的滾動軸承故障信號進行故障特征提取，驗證了這些方法的適用性和有效性。
　?。?）提出了基于MEMD和PE綜合

4、的滾動軸承故障特征提取算法，用于解決噪聲干擾問題。通過基于SK的最優(yōu)帶通濾波器有效地去除了與故障特征頻率在不同頻帶范圍的噪聲干擾；采用MEMD和PE相結(jié)合的改進算法進一步有效地去除了與故障特征頻率在同頻帶范圍的噪聲干擾。對重構(gòu)的故障信號包絡(luò)譜進行分析，得到較明顯的故障特征頻率，并引入了一個量化的故障特征頻率度量因子來評估算法的性能。通過采用仿真與實驗信號比較分析了現(xiàn)有的與改進的滾動軸承故障特征提取算法，相比于現(xiàn)有方法，該改進方法在準確性

5、與有效性上具有明顯的優(yōu)勢。
　?。?）提出了一種基于SK和改進關(guān)聯(lián)維數(shù)的滾動軸承故障特征提取算法。該算法利用了關(guān)聯(lián)維數(shù)本身具有的獨特優(yōu)勢——用量化的數(shù)值來直接描述不同狀態(tài)的軸承故障特征。相比于采用特征頻率成分描述故障特征的滾動軸承故障特征提取方法，該改進的方法通過采用關(guān)聯(lián)維數(shù)值作為故障特征有效地弱化了噪聲在特征提取中的影響。最后，通過不同故障類型以及同類型不同故障程度的滾動軸承振動信號驗證了該改進的故障特征提取算法的正確性以及有效