张 洲， 张宏立， 马 萍， 王 聪

(新疆大学 电气工程学院，乌鲁木齐 830047)

滚动轴承是旋转机械中使用广泛的重要支撑部件，其健康状况直接影响着整个机械的正常运行。实际中，多数旋转机械都在变转速、变负载的工况下运行，而大部分机械故障都是在轴承工作周期以局部缺陷的形式产生，在后期故障状态加剧，种类增多，极大威胁着设备整体运行的安全性。故障信号具有特征微弱、信噪比低及易被噪声淹没等特点，因此，如何从干扰众多的信号中提取出微弱故障信号是诊断变转速条件下滚动轴承微弱故障的关键[1]。

恒定转速下的微弱故障信噪分离主要是通过一系列特征提取方法结合频谱分析来完成故障的诊断，例如小波变换和变分模态分解(variational mode decomposition, VMD)等方法，都能很好地完成滚动轴承的信噪分离[2-3]。小波分析在分析明显故障冲击信号时较为有效，但其频带特性使小波分析在提取微弱的故障信号较为困难[4]。VMD在经验模态分解(empirical mode decomposition, EMD)基础上提出并有效解决了EMD模态混叠的问题，可以实现信号不同频率分量的有效分离[5]。由于变转速轴承的微弱故障特征常常被强噪声淹没，影响了VMD在变转速下故障诊断的效果和应用。

奇异值分解(singular value decomposition, SVD)具有极好的稳定性和不变性，其分量信号具有线性叠加特性[6]。文献[7]中将SVD分解结合相关峭度特点应用于滚动轴承的故障诊断，有效地提取出轴承弱故障信号。文献[8]将SVD分解结合包络分析方法应用于滚动轴承微弱故障诊断中，准确地分离出轴承的微弱故障特征。……