王冰，李洪儒，许葆华

(军械工程学院，石家庄 050003)

滚动轴承是电动机“转子-轴承”系统中最为关键的机械零件，其性能往往会从完好逐渐经历一系列不同的退化状态直至完全失效，轴承运行状态直接影响整台机器的精度、可靠性及寿命[1]。当前，针对电机轴承的研究重点一般集中于故障类型的诊断和故障位置的确定，相关技术方法也是以判断不同故障类型的特征频率为基础。

近年来，随着维修理论及其相关技术的发展，基于状态的维修越来越得到关注，故障预测技术则是实现基于状态维修的核心。广义上讲，故障预测包括3个步骤：(1)早期故障检测和预测特征提取；(2)退化状态识别(估计当前故障的严重程度)；(3)预测故障发生时间或部件剩余使用寿命[2-3]。其中，预测特征提取和退化状态识别是实现故障预测的基础。

预测特征提取又称为性能退化特征提取，是设备退化状态识别与故障预测的瓶颈，直接关系到退化状态识别的准确性和故障预测的可靠性[4]。传统的特征提取技术侧重于对不同故障类型的区分，而预测特征信息提取则侧重于分析该信息能否反映设备从完好逐渐经历一系列不同退化状态直至完全失效的性能退化过程[4-8]。文献[4-5]提取小波相关特征尺度熵作为性能退化的描述信息；文献[6-7]则将小波包分解的节点能量构成特征向量，定量评估样本的退化程度；文献[8]则将通过循环平稳分析得到的组合切片累积能量作为预测特征值，取得了较好的效果。……