胡爱军， 南 冰， 任永辉

(华北电力大学能源动力与机械工程学院 保定，071003)

引 言

轴承故障信号通常具有非平稳和非线性的特点[1-2]。轴承的不同部位发生故障时会呈现出不同的特征频率，因此对轴承进行故障特征频率分析是实现故障诊断的基本手段。短时傅里叶变换(short-time Fourier transform, 简称STFT)、Wigner-Ville分布、小波变换、经验模态分解(empirical mode decomposition, 简称EMD)等是目前常用的时频分析方法，但都有各自的局限性。STFT的时间与频率分辨率相互制约；Wigner-Ville分布交叉干扰项严重；小波变换基函数和阈值的选择受到人为因素的影响，不具有自适应性；作为一种具有多分辨率、自适应性的信号处理方法，EMD已经被证明可以有效地处理非平稳、非线性的信号，然而EMD方法仍然具有模态混叠、过包络、欠包络和端点效应等缺点[3-4]。Gilles[5]在2013年提出了经验小波变换(empirical wavelet transform, 简称EWT)，其原理是自适应分割信号的频谱，并利用小波滤波器对分割后的频谱滤波，最终获得一组单分量信号。该方法计算量小，与EMD方法相比，可以有效地减弱模态混叠现象，端点效应也能得到一定程度的抑制[6-7]。但是对于轴承轻微故障，由于背景噪声容易淹没轻微的冲击成分，导致信号的信噪比较低，EWT提取效果欠佳，因此选择一种有效的降噪方法来抑制强背景噪声，增强故障特征十分必要。概率主成分分析(probabilistic principal component analysis, 简称PPCA)，通过先将原始数据投影到其他的坐标空间，后投影的方式来提取信号的主特征分量。PPCA的本质是将方差最大的方向作为主要特征，并且在各个正交方向上将数据“离相关”，也就是让它们在不同正交方向上没有相关性。……