刘 畅， 伍 星， 刘 韬, 柳小勤(昆明理工大学 机电工程学院，昆明 650500)

滚动轴承振动信号蕴含丰富信息，是机械设备状态监测和故障诊断领域的重要分析对象。滚动轴承故障诊断的关键是提取能够反映滚动轴承运行状态的特征指标以及建立有效的故障诊断模型。目前各种现代信号分析方法提取时域、频域、时频域指标特征，以及小波/小波包分解、经验模式分解[1]、奇异值解[2]、稀疏分解[3]、局部特征尺度分解[4]、局部均值分解[5]等多种信号变换方法得到的多尺度、多类型的特征指标，能够针对滚动轴承的非平稳振动信号提取多角度、多层次、不同时期的故障特征，为滚动轴承的故障诊断提供丰富、有效的特征集。但以上诸多信号分析和信号变换方法，信号的维度经过变换并没有减少，有些还导致信号维度的增加，这就使得后续的计算量增加。虽然特征降维方法能够有效的降低高维特征集对分类器训练、参数识别等处理过程的计算量，但在特征降维前仍是需要对原始信号进行同维度或更高维度的变换处理。因此能否先对信号进行压缩，然后再对压缩数据进行特征提取？近似等距投影性质[6-8]保证在信号压缩前后信号的结构近似不变，从而为解决了信号先压缩后提取特征的问题提供思路。

滚动轴承故障诊断的另一个关键内容是建立可靠、有效的故障诊断模型，即建立故障特征分类器的过程。常用的方法包括神经网络[9]、支持向量机[10]、模糊聚类、贝叶斯分类器、自组织特征映射网络等。……