夏均忠，郑建波，白云川，吕麒鹏，杨刚刚

(陆军军事交通学院 军用车辆工程系，天津 300161)

滚动轴承性能退化状态识别与评估的关键是提取退化状态特征。但是由于振动信号受到噪声和异常值的影响，如何在复杂的实际工况中识别与评估其性能退化状态一直是滚动轴承故障诊断领域研究的热点和难点[1]。

Georgoulas等[2]应用主成分分析(Principle Component Analysis, PCA)算法初步实现了故障特征降维和退化状态识别，但是PCA算法在反应状态相似性方面精度较低，无法准确反应轴承性能退化状态。Cerrada等[3]运用隐半马尔科夫模型(Continuous Hidden Semi-Markov Model, CHSMM)对轴承退化状态进行评估，但在CHSMM模型中，均假设其性能退化状态函数符合高斯分布，而性能退化状态的真实分布是未知的，这种假设导致了评估精度的降低。Tomoaki等[4]运用反馈神经网络处理传统统计特征和经验模态分解(EMD)的IMF能量熵来评估滚动轴承退化状态，但传统统计特征和EMD能量熵不具有良好的单调性。Boskoski等[5]进一步扩展能量熵的概念，提出基于Shannon熵的JSD(Jensen Shannon Divergence)作为指标评估小波包变换中各小波包的相关关系。但Shannon熵对细微信号变化不够敏感，无法准确地识别轴承早期性能退化。

Machlica等[6]提出干扰属性投影(NAP)。NAP是一种用于消除语音识别、人脸面部识别和图像识别中干扰信号的技术。针对无法准确识别与评估轴承退化状态的问题，将NAP引入到轴承故障诊断领域。NAP能够较为准确地提取轴承退化状态特征，实现轴承退化状态的识别，但在全寿命阶段上性能退化的单调性和敏感性不足，仍无法精准地实现轴承退化状态评估。……