（一）研究背景

旋转机械是自动化交通、航空航天、水利水电和石油化工等领域应用广泛的关键设备之一。工业自动化水平的提高使旋转机械逐步表现为高速化和复杂化，然而，由于关键零部件的失效造成旋转机械的故障可能会带来严重的经济损失，甚至是灾难性的后果^[1]。现在越来越多的设备发生事故，如何提高设备的安全性和可靠性已经成为很重要的问题了。

在机械系统里面，机械动力学的一种表现形式是振动信号，机械设备总会有出现故障的时候，比如轴承、齿轮等零部件发生故障的时候，这时，振动信号会出现瞬态冲击响应成分，并且跟着故障的改变其特征波形也会改变，所以，故障诊断的关键问题就是把故障的信号瞬态特征提取出来。

故障诊断技术结合信息处理技术与人工智能方法能够有效地预测设备性能衰退和预防重大事故的的发生。典型的设备故障诊断方法通过传感器对设备进行实时监控，运用信号分析方法分析监测设备状态所获得的信息，提取设备运行的异常情况，同时结合设备运行的历史信息，揭示出设备的征兆信息和故障之间的关系，从而科学地评价设备的健康状况，分析出设备的异常状况并预测故障的发展趋势，通过对设备的异常状况进行综合评价分析，给予维修人员解决故障的合理措施。通过故障诊断技术可以降低设备的事故率，提高设备运行的可靠性和安全性，降低维修费用，避免重大灾难事故的发生^[2]。

（二）国内外现状

实际工程应用中，由于存在振动传输路径复杂多变、工作环境噪声干扰严重、多振动源的激励和响应互相耦合等诸多因素的影响，使得滚动轴承早期故障诊断相对困难，探寻行之有效的微弱故障特征提取方法也一直是故障诊断领域的热点和难点。^[3]

最大相关峭度解卷积算法(Maximum correlatedkurtosis deconvolution，MCKD)以相关峭度为评价指标，充分考虑了信号所含冲击成分的周期特性，可通过迭代过程实现解卷积运算，突出信号中被强烈噪声所掩盖的连续脉冲，笔者尝试将其引入到滚动轴承故障诊断领域，然而MCKD 算法的解卷积结果受滤波器长度参数L 和解卷积周期参数T影响严重，本文利用粒子群算法对MCKD 算法的最佳影响参数组合进行搜寻，可实现影响参数的自适应选取，提出了基于自适应最大相关峭度解卷积的滚动轴承早期故障诊断方法，仿真和实测信号分析表明该方法可有效提取早期故障微弱特征信息。^[4]

自从 20 世纪 60 年代以来，随着计算机技术的发展和人工智能理论的应用，设备的故障诊断方法受到了国内外科研工作者的广泛关注。美国智能维护中心的Jay Lee提出了基于状态监控的设备智能维护的概念，基于信号分析理论的设备故障特征提取和基于人工智能方法的设备故障诊断是实现该理念的关键技术之一。香港城市大学成立了设备预诊和健康管理中心，其研究领域涉及航天航空、电子通讯、汽车自动化和机械制造等众多领域，一些研究成果已经取得了实际应用价值。国内以黄文虎院士为代表的故障诊断专家，在我国开展了设备的故障诊断技术研究，发展了基于动力学分析和人工智能理论的故障诊断技术，并将其应用于卫星等航天器设备的故障诊断。目前，国内外专家学者在故障诊断领域已经取得众多的研究成果，但是对于基于微弱故障特诊提取的设备早期故障诊断方面的研究较少。^[5]

故障诊断技术主要由故障信息的特征提取和故障类型的决策判断组成。故障信息的特征提取技术是故障诊断方法的关键技术之一，它是有效地进行故障诊断和性能评估的前提。故障信息的特征提取主要通过信号分析方法寻求合理的变换规则，剔除冗余无效的监控信息，以凸显设备的异常状况信息。广泛应用的特征提取方法有傅里叶变换、维格纳维利分布和小波变换等方法，然而，在设备发生故障的初期，故障特征信息的能量较微弱，故障信号的幅值较小，容易受到环境因素的干扰，影响了早期故障特征信息的特征提取。因此，从低信噪比的监测信号中提取有用的特征信号并对弱信号加强，对于后续设备的性能评价和故障诊断具有重要意义。故障推理方法主要通过人工智能方法对提取的特征进行判断，将其与设备正常的运行状况进行比较，以识别不同的故障类型，结合设备的机械结构对故障源定位，并通过逻辑推理引擎预测故障发生的趋势。^[6]