邵辰彤， 王景霖， 徐 智， 杨 乐， 李胜男， 封锦琦

(1.故障诊断与健康管理技术航空科技重点实验室,上海 201601； 2.航空工业北京长城测控技术研究所,北京 101111)

对于滚动轴承来说，高温、高压以及多变的负载情况是其常见的工作环境。因此，故障发生的频率也较高[1]。所以，通过分析滚动轴承的退化趋势并及时维修和更换不仅有利于工程设备的维护和保养，更能防止其故障发生后对其他部件带来的二次损害，在工程实际应用中具有重要意义[2]。

滚动轴承的退化趋势预测通过对运行中的轴承数据进行采集并预测轴承下一步的退化状态趋势，可以及时对轴承的可靠性做出有效判断并进行安全性维修，避免轴承超出使用寿命导致失效或未达到预期使用寿命导致成本增加[3]。轴承的退化趋势预测按照顺序基本可以分为以下几个部分：信号预处理、特征提取、趋势预测。在轴承振动信号的采集中由于存在噪声覆盖初始信号、传感器精度不足等问题，且振动信号往往呈现出非平稳非线性的状态，导致难以从中提取轴承故障特征，因此需要对轴承信号进行预处理。信号预处理中常用的方法有经验模态分解[4](Empirical Mode Decomposition,EMD)、奇异值分解[5](Singular Value Decomposition，SVD)、小波降噪[6]等，王奉涛等[7]使用EMD方法分析了滚动轴承的振动信号，并基于神经网络搭建了基于堆栈稀疏自编码器(Stacked Sparse Auto Encoder，SSAE)的故障诊断模型，简化了特征提取过程，提高了轴承的诊断正确率；胡晓依等[8]使用SVD剔除了轨迹矩阵中的噪声并使用STFT技术进行轴承信号的解调分析，结果表明，其能够更早一步发现轴承的早期故障。……