杨望灿，张培林，王怀光，陈彦龙

(军械工程学院 七系，石家庄 050003)

滚动轴承是旋转机械中应用广泛但也易损坏的零件，据不完全统计，旋转机械的故障约有30%是因滚动轴承发生故障引起的[1]。因此，对轴承的状态进行监测和故障诊断显得极为重要，如何有效地从混有强烈噪声的原始振动信号中提取到轴承故障特征是轴承故障诊断的关键。

奇异值分解(Singular Value Decomposition,SVD)能够将信号分解为一系列线性分量的叠加，具有零相移、波形失真小等优点[2]，在信号处理和图像去噪等方面得到了广泛的应用[3-6]。奇异值分解在进行故障信号分析时关键在于如何合理地选择有效奇异值来重构信号，并提取故障特征[7]。奇异值分解的特点决定了原始信号经奇异值分解重构后，重构信号中仍不可避免地存在残余噪声信号，造成对重构信号包络解调分析时仍存在干扰频率，影响轴承的故障特征提取和故障诊断。

针对此问题，提出了一种基于奇异值差分谱和改进包络分析的轴承故障特征提取方法。首先采用奇异值分解方法对信号进行分解，然后根据奇异值差分谱图中最大峰值的位置确定含有轴承故障特征的分量所对应的奇异值来重构信号，最后利用改进包络分析在频域里将重构信号中的残余噪声消除，凸显轴承故障频率，完成轴承的故障特征提取，诊断轴承故障。

1 奇异值差分谱理论

若A是m×n的矩阵(假设m>n)，A的秩为r(r

A=UDVT，

(1)

(2)

由(2)式可得，矩阵A也可以说是以非零奇异值为权重，相对应的左、右奇异向量做外积后的加权和，可见奇异值的选取是矩阵A重构的关键。