张帆，陆见光,b,c，唐向红,b,c

(贵州大学a.现代制造技术教育部重点实验室；b.机械工程学院；c.公共大数据国家重点实验室，贵阳 550025)

0 引言

轴承是最常用的机械设备组成零件之一，高强度的长时工作特点使得轴承具有较高的故障率，导致整个机械系统的薄弱与不稳定，造成巨大的经济损失甚至人员安全。如何对轴承运行中的健康状况进行及时的健康状况检测是故障诊断中的重要内容，对于保障设备的安全性、可靠性具有重要意义[1-2]。

传统信号处理方法主要分为三类：时域分析、频域分析和时频域分析[3]，近期的轴承故障诊断文献中，提出了许多时频分析方法，例如小波变换、经验模态分解(EMD)等，都取得了较好的结果和较高的识别精度。但是这些方法为了防止信号混叠和确保机器状态监测的准确性，在信号采集时需遵循奈奎斯特采样定理，即采样频率大于信号频谱中最大频率的两倍以上，造成了采集信号数量过于庞大的问题，意味着在故障检测的过程中需要大量的存储空间和信号处理时间，并伴随着工业生产规模的不断增加，传统方法和现有的软硬件设备已经无法满足存储和计算的需求。

为了克服上述障碍，许多降维方法被应用到轴承故障诊断过程中，通过将高维度数据投映射到低维空间实现对数据的特征提取，用低维数据来表征轴承的故障缺陷，常见方法有主成分分析(PCA)、线性判别分析(LDA)、独立成分分析(ICA)和遗传算法(GA)等，俞啸等[4]使用PCA对HHT变换后的边际谱进行降维，实现了边际谱中干扰信息的滤除和特征的二次提取；……