基于数据驱动的机车滚动轴承故障诊断的研究与探讨
基于深度学习的滚动轴承故障诊断研究综述
基本内容
摘要：本次演示综述了基于深度学习的滚动轴承故障诊断研究进展，概述了 深度学习在滚动轴承故障诊断中的应用和优缺点，并提出了未来研究的方向和重 点。关键词：深度学习，滚动轴承，故障诊断，机械故障，
引言：滚动轴承是机械设备中的重要组成部分，其故障会对设备的正常运行 产生严重影响。因此，滚动轴承故障诊断具有重要意义。随着人工智能技术的发 展，深度学习作为一种强大的机器学习分支，已在许多领域取得了显著成果。本 次演示将综述基于深度学习的滚动轴承故障诊断研究进展，以期为相关领域的研 究提供参考。
文献综述：近年来，深度学习在滚动轴承故障诊断中得到了广泛。根据应用 的不同，可以分为以下几类：
1、基于卷积神经网络的故障诊断：卷积神经网络（CNN）是一种适用于图像 处理的深度学习算法。有研究表明，将CNN应用于滚动轴承故障诊断，可以有效 地识别轴承表面的损伤图像。通过构建特定的CNN模型，将损伤图像作为输入， 可以实现故障的自动诊断。然而，CNN方法需要大量的标注数据，且对数据的质 量和数量要求较高。
未来研究可以从以下几个方面展开：首先，加强数据预处理工作，提高数据 质量，以减轻深度学习算法对数据的依赖程度。其次，改进现有深度学习算法， 解决其存在的问题，提高算法的稳定性和泛化能力。此外，研究多源信息融合方 法，综合利用不同信息源的特征进行滚动轴承故障诊断，以提高诊断准确性和鲁 棒性。最后，开展实验研究，验证改进算法的有效性，为滚动轴承故障诊断提供 新的解决方案。
通过比较编码向量在不同状态下的差异，可以实现对轴承故障的诊断。然而， AE的诊断效果受限于所提取的特征的有效性，如何选择合适的特征仍是一个问题。
结论：基于深度学习的滚动轴承故障诊断研究取得了一定的进展，但仍存在 一些问题和不足。首先，深度学习算法的应用仍受限于数据的质量和数量，尤其 是在CNN方法中。其次，深度学习算法本身也存在一些问题，如RNN中的梯度消失 和梯度爆炸问题。此外，如何选择合适的特征以及如何构建有效的深断：循环神经网络（RNN）是一种适用于序列 处理的深度学习算法。在滚动轴承故障诊断中，RNN可以处理时间序列数据，如 振动信号等。通过将振动信号转化为序列数据，并输入到RNN模型中进行训练， 可以实现对轴承故障的预测和诊断。但是，RNN模型训练过程中容易出现梯度消 失或梯度爆炸的问题，导致模型无法有效学习。
滚动轴承故障诊断系统优化的开题报告
滚动轴承故障诊断系统优化的开题报告一、选题背景滚动轴承广泛应用于各个领域，如工业设备、机床、汽车等。
但在运行过程中，由于多种因素的影响，滚动轴承易受损坏，可能导致系统失效。
同时，由于其他因素的干扰，滚动轴承的损坏也不容易直接发现。
因此，开发一种滚动轴承故障诊断系统非常必要。
二、研究内容本研究将以滚动轴承的损坏状态为切入点，开发一种基于机器学习的滚动轴承故障诊断系统，通过数据采集和分析，准确快速的识别出轴承的损坏状态。
在数据采集方面，将采用传感器获取滚动轴承在运行时的振动、声响等数据。
在数据分析方面，将利用神经网络、遗传算法等机器学习技术，对采集到的数据进行分析处理，不断对系统进行优化调整。
三、研究目标本研究的主要目标是开发出一种准确快速的滚动轴承故障诊断系统。
具体目标如下：1.建立准确的滚动轴承损坏的模型和数据处理模型，能够根据模型和处理模型来区分滚动轴承的不同状态。
2.归纳滚动轴承在不同损坏状态下的关键振动和声响信息，在数据采集方面加以考虑，并对信息进行有效的提取和分析。
3.对所选用的神经网络或其他机器学习方法进行优化和改进，到达更好的预测精度和诊断结果。
4.在实验室内进行较为完整、准确的试验，以验证所研发系统的可靠性和实际效果。
四、研究方法本研究将采用如下研究方法：1.研究相关技术文献，掌握滚动轴承故障诊断领域的发展现状、研究思路和关键问题。
2.进行实验数据的采集和处理，利用传感器等设备获得滚动轴承在不同状态下的振动、声响、温度等数据，采集到的数据包括不同负荷、不同转速、不同环境温度下的数据。
3.通过对采集到的数据进行处理，提取振动、声响等特征，建立滚动轴承故障的模型，对模型进行理论分析和实验优化，并对不同故障模型进行合并考虑，充分识别滚动轴承的损坏状态。
4.采用不同的机器学习算法，如神经网络、遗传算法、逻辑回归等，进行滚动轴承故障诊断系统的开发与优化。
五、预期结果通过以上的研究方法和过程，本研究预计能够取得如下结果：1.建立出一种基于机器学习的滚动轴承故障诊断系统，能够在精准和快速的识别出轴承的损坏状态。
基于深度学习的滚动轴承故障诊断方法
设备管理与维修2021翼4（上）基于深度学习的滚动轴承故障诊断方法陈志刚，高鹤，刘菲，杨志达（北京航天拓扑高科技有限责任公司，北京100176）摘要：提出一种基于一维卷积神经网络（CNN）与门控循环单元（GRU ）的滚动轴承故障诊断方法，设计了一种基于数据驱动的滚动轴承故障诊断方法。
利用同一数据集之间特征相似并且独立同分布这一特征，分别设计网络结构和参数。
为采用CNN 和GRU 进行故障诊断提供了新的思路，具有较好的技术应用前景。
关键词：深度学习；故障诊断；滚动轴承；一维卷积；门控循环单元中图分类号：TH133.33；TP277文献标识码：B DOI ：10.16621/ki.issn1001-0599.2021.04.660引言滚动轴承是机械设备中常见的组件，从简单的电风扇到复杂的机床上都有滚动轴承的应用。
事实上，超过50%的机械缺陷与轴承故障有关，从而导致机器停产、停机、甚至造成人员的伤亡[1]。
因此，滚动轴承故障诊断是机械故障诊断的一个重要方面，也是近些年来的研究热点。
近些年来，随着学者们的不断深入研究提出了各种故障诊断的方法。
传统的研究方法有：BP 神经网络[3]、概率神经网络（Probabilistic Neural Network ，PNN ）[4]、小波分析[5]、EMD [6]、集合经验模态分解（Ensemble Empirical Mode Decompo原sition ，EEMD ）[7]、奇异值分解（Singular value decomposition ，SVD ）[8]等得到了广泛的应用。
目前基于机器学习的故障诊断方法主要有，如Logistic 回归[9]、支持向量机（Support Vector Machine ，SVM ）[10]以及人工神经网络（Artificial Neural Network ，ANN ）[11]、模糊推断[12]。
人工智能的蓬勃发展，深度学习在图像识别、语音识别等领域得到广泛运用。
滚动轴承故障诊断方法与技术综述
滚动轴承故障诊断方法与技术综述引言：滚动轴承作为机械设备中常用的零部件之一，承担着支撑和传递载荷的重要作用。
然而，由于使用环境的恶劣和工作条件的复杂性，滚动轴承往往容易出现各种故障。
因此，为了保证机械设备的正常运行和延长轴承寿命，对滚动轴承的故障进行准确诊断非常重要。
一、故障诊断方法1. 观察法观察法是最常用的故障诊断方法之一。
通过观察滚动轴承的外观和运行状态来判断是否存在故障。
例如，如果发现滚动轴承有异常噪声、温度升高、润滑油泡沫、振动加剧等现象，很可能是轴承出现了故障。
2. 振动诊断法振动诊断法是一种先进的故障诊断方法，可以通过检测轴承的振动信号来判断轴承是否存在故障。
通过分析振动信号的频谱图，可以确定轴承故障的类型和位置。
常用的振动诊断方法包括时域分析、频域分析和小波分析等。
3. 声音诊断法声音诊断法是一种通过听觉判断轴承故障的方法。
通过专业人员对轴承产生的声音进行听觉分析，可以判断轴承是否存在异常。
常见的轴承故障声音包括金属碰撞声、摩擦声和振动声等。
4. 热诊断法热诊断法是一种通过测量轴承的温度来判断轴承故障的方法。
由于轴承在故障状态下会产生摩擦热，因此轴承的温度可以间接反映轴承的工作状态。
通过测量轴承的温度分布，可以判断轴承是否存在异常。
二、故障诊断技术1. 模式识别技术模式识别技术是一种基于机器学习的故障诊断技术，可以根据轴承的振动信号和声音信号等特征，通过训练模型来识别轴承的故障类型。
常用的模式识别技术包括支持向量机、神经网络和决策树等。
2. 图像诊断技术图像诊断技术是一种通过图像处理和分析来判断轴承故障的技术。
通过对轴承的外观图像进行特征提取和分类，可以实现对轴承故障的自动诊断。
常用的图像诊断技术包括边缘检测、纹理分析和目标识别等。
3. 声音信号处理技术声音信号处理技术是一种通过对轴承声音信号进行滤波、频谱分析和特征提取等处理，来判断轴承故障的技术。
通过对声音信号的频谱图和时域图进行分析，可以判断轴承故障的类型和位置。
滚动轴承的故障诊断方法研究
滚动轴承的故障诊断⽅法研究滚动轴承的故障诊断⽅法研究第1章绪论1.1研究的⽬的和意义滚动轴承是⽣产机械中的地位⽆可替代，当然也最易损坏的部件。
其运⾏状态会直接影响整台机械⼯作效率、精度寿命和可靠性。
滚动轴承的损坏会导致⽣产机械剧烈振动，并伴有强⼤噪声，不仅会影响产品的加⼯质量，严重时会导致⽣产机械的损坏或机械事故。
随着电机的⼴泛应⽤及其⾃动化程度的不断提⾼，对其安全性、精度和故障诊断的准确性的要求也随之提⾼。
传统的诊断⽅法不仅成本较⾼、准确率偏低，并且更新费⽤⾼，已然不能满⾜⾼科技设备的需求。
基于以上原因，本⽂在虚拟仪器的环境下，利⽤多传感器信息融合技术，实现滚动轴承的故障诊断，会对现在和将来的⽣产技术提供强有⼒的帮助。
1.2国内外电机滚动轴承故障诊断的研究现状近现代以来，国内和国外的研究机构及学者在电机滚动轴承故障诊断的理论、技术与⽅法等⽅⾯进⾏了⼤量的研究分析⼯作，发表了诸多研究成果。
在国外，美国南卡罗林娜⼤学运⽤振动响应的多参数多频率的⽅法，对具有裂纹的和损伤的故障轴承进⾏诊断，⽬前已经取得了良好的成果。
美国宾州⼤学采⽤alpha beta -gamma跟踪滤波器和Kalman滤波器，对轴承故障的智能预⽰实现了完美成功。
⽇本九州⼯业⼤学运⽤基因算法优化组合特征参数，成功诊断出⼯况滚动轴承微弱故障。
意⼤利的Cassino⼤学，使⽤⾃谱技术对出现的轴承进⾏检测，判断故障轴承的初始问题，到⽬前为⽌也取得了有效的研究成果。
国外的这些技术有我们值得借鉴的地⽅，去其糟粕取其精华，研究更有技术的故障轴承诊断系统。
在国内，当滚动轴承存在故障时，⼤都以振动检测为主，因为轴承故障后常伴随巨⼤的声响，以及明显的外观表现。
国内的主要研究成果如下图所⽰。
或⾃⾝故障等多个⽅⾯的原因，会对故障造成误判或错判，如:声级计传感器易受到噪声的⼲扰，不能准确、⽆失真的反映滚动轴承的真实信号，温度传感器由于易受到外界温度的⼲扰，也常会出现误判或者错判等等。
滚动轴承故障诊断方法与技术综述
滚动轴承故障诊断方法与技术综述滚动轴承是机械设备中常见的一种元件，其作用是在旋转运动中支撑轴与轴承座之间的转动。
然而，由于长时间的使用或者操作不当，滚动轴承可能会出现故障，导致设备运行不稳定甚至完全停止工作。
因此，对滚动轴承的故障进行及时的诊断是非常重要的。
滚动轴承故障的诊断方法与技术可以分为传统的诊断方法和基于智能化技术的诊断方法。
传统的滚动轴承故障诊断方法主要包括观察法、听诊法和振动分析法。
观察法是最简单直观的一种诊断方法，通过观察滚动轴承的外观是否有异常情况，如颜色变化、表面磨损、断裂等，来判断其是否存在故障。
然而，此方法只适用于故障较为明显的情况，对于隐蔽性较强的故障无法有效判断。
听诊法是通过听取滚动轴承工作时产生的声音来判断其是否存在异常情况。
例如，当滚动轴承出现磨损或损坏时，会产生噪音，通过听诊器可以准确地判断故障的类型和程度。
然而，此方法需要专业的听诊仪器和经验丰富的技术人员，对于一般使用者来说并不容易操作。
振动分析法是一种常用的滚动轴承故障诊断方法，它通过对滚动轴承振动信号的分析来判断其是否存在故障。
滚动轴承在正常工作时会产生一定的振动，当滚动轴承出现故障时，振动信号会发生变化。
通过对滚动轴承振动信号的频谱分析、时域分析和幅值分析，可以准确地判断滚动轴承的故障类型和严重程度。
基于智能化技术的滚动轴承故障诊断方法包括人工智能、模式识别和机器学习等。
这些技术可以通过对滚动轴承振动信号进行大数据分析，利用模型和算法来自动识别故障类型和预测故障发生的概率。
相比于传统的诊断方法，基于智能化技术的方法具有更高的准确性和效率。
在实际应用中，滚动轴承故障的诊断通常是综合应用多种方法和技术。
例如，可以先通过观察法和听诊法初步判断滚动轴承是否存在故障，再通过振动分析法进行进一步的诊断，最后利用基于智能化技术的方法对故障进行确认和预测。
滚动轴承故障的诊断是保证设备正常运行的关键之一。
无论是传统的诊断方法还是基于智能化技术的方法，都需要经验丰富的技术人员进行操作和分析。
基于数据驱动的机车滚动轴承故障诊断的研究与探讨
基于数据驱动的机车滚动轴承故障诊断的研究与探讨【摘要】本文主要探讨了基于数据驱动的机车滚动轴承的各种特征提取方法以及各类故障模式识别方法。
详细比较了各种特征提取的特点以及应用范围，并指出了今后在机车滚动轴承故障诊断研究中的研究方向，为机车滚动轴承的故障诊断提供依据。
【关键词】机车滚动轴承；故障诊断；特征提取；模式识别滚动轴承是机车行走部件中应用最为广泛的机械零部件，滚动轴承的好坏直接影响到列车行走的安全。
因此，滚动轴承故障诊断的研究成为至关重要的研究点。
基于数据驱动的滚动轴承故障诊断的研究步骤分为：信号的采集；信号的低通滤波、离散化和降噪等预处理；故障特征提取；故障的模式识别与分类。
本文主要介绍故障的特征提取和故障的模式识别与分类方法。
1 机车滚动轴承故障诊断机理由于机车车辆长时间工作在恶劣的天气和环境下，运行中会存在着滚子与滚道润滑不够，而且长时间处于高负荷、重载的运行状态下，运行时间长，会出现滚动轴承的温度上升、轴承的表面出现腐蚀和裂痕以及滚动体松动等，这些都是由滚动轴承的非正常磨损而造成的故障。
而由轴承安装不当造成的严重后果也不少，但滚动轴承的具体故障形式有：疲劳剥落、磨损、塑性变形、腐蚀、断裂、胶合、保持架损坏。
任何一种故障现象如果按其发生在滚动轴承的位置来分的话，可以分为：外环故障、内环故障、滚动体故障和保持架故障。
2 机车滚动轴承故障特征提取方法传感器采集到的机车滚动轴承振动信号往往是连续的而且含有大量的白噪声，为了更好的分析滚动轴承的振动信号，从而有效的诊断滚动轴承的故障，首先应该振动信号进行离散化和低通滤波等预处理。
为了提高信号的信噪比，目前采取的方法有时域平均法、小波滤波降噪法和AR模型提取故障脉冲冲击信号法等。
在进行预处理之后，将对振动信号进行故障特征提取，目前特征提取的分类方法没有统一的形式，大致从以下几个方面进行考虑：2.1 时域分析法时域分析法是在时间域对振动信号进行分析的方法，也是最早提出的特征提取方法，目前广泛应用在机车轴承故障诊断仪器设备以及在线监测诊断系统中。
滚动轴承故障诊断技术研究现状及发展趋势研究
滚动轴承故障诊断技术研究现状及趋势研究ﻭﻭﻭﻭ一、滚动轴承故障诊断的意义ﻭ随着科技的,现代正逐步向生产设备大型化、复杂化、高速化和自动化方向,在提高生产率、降低成本、节约能源、减少废品率、保证产品质量等方面具有很大的优势。
但是,由于故障所引起的灾难故及其所造成的对生命与财产的损失和对环境的破坏等也是很严重的,这就使得人们对诸如航空航天器、核电站、热电厂及其他大型化工设备的可靠性、安全性提出了越来越高的要求。
除了在设计与制造阶段，通过改进可靠性设计、研究和应用新材料、新工艺以及生产过程中的质检控制措施提高系统的可靠性与安全性外，提高系统可靠性与安全性的另一个重要途径就是对系统的工作状态进行实时的监测与诊断,从而实现对设备的有效控制，并对灾难性故障的发生进行预警，为采取相应的补救措施提供有效的信息。
故障诊断理论就是为了满足对系统可靠性和安全性要求的提高,减少并控制灾难故的发生而起来的。
因此,故障诊断理论的必将促进故障监测和监控系统的快速与广泛应用，从而可以进一步的提高的可靠性与安全性，并由此产生巨大的经济和效益。
ﻭ与其他机械零部件相比,滚动轴承有一个很独特的特点,那就是其寿命的离散性很大。
由于轴承的这一特点，在实际使用中就会出现这样一种情况：有的轴承已大大超过其设计寿命而依然能正常地工作，而有的轴承远未达到其设计寿命就出现各种故障.因此，如果按照设计寿命对轴承进行定期维修:一方面，会造成将超过设计寿命而仍正常工作的轴承拆下来作报废处理,造成浪费;另一方面，未达到设计寿命而出现故障的轴承没有被及时的发现，直到定期维修时才被拆下来报废,使得机器在轴承出现故障后和报废前这段时间内工作精度降低，或者未到维修时间就出现严重故障,导致整部机器陷于瘫痪状态。
因此，进行滚动轴承工作状态及故障的早期检测与故障诊断，对于设备安全平稳运行具有重要的实际意义。
ﻭ二、滚动轴承故障诊断技术研究现状及趋势2。
１滚动轴承的故障特点ﻭ滚动轴承具有一个突出的特点，其寿命离散程度非常大。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
基于数据驱动的机车滚动轴承故障诊断的研究与探讨
作者：姜海燕
来源：《科技视界》2013年第31期
【摘要】本文主要探讨了基于数据驱动的机车滚动轴承的各种特征提取方法以及各类故障模式识别方法。
详细比较了各种特征提取的特点以及应用范围，并指出了今后在机车滚动轴承故障诊断研究中的研究方向，为机车滚动轴承的故障诊断提供依据。
【关键词】机车滚动轴承；故障诊断；特征提取；模式识别
滚动轴承是机车行走部件中应用最为广泛的机械零部件，滚动轴承的好坏直接影响到列车行走的安全。
因此，滚动轴承故障诊断的研究成为至关重要的研究点。
基于数据驱动的滚动轴承故障诊断的研究步骤分为：信号的采集；信号的低通滤波、离散化和降噪等预处理；故障特征提取；故障的模式识别与分类。
本文主要介绍故障的特征提取和故障的模式识别与分类方法。
1 机车滚动轴承故障诊断机理
由于机车车辆长时间工作在恶劣的天气和环境下，运行中会存在着滚子与滚道润滑不够，而且长时间处于高负荷、重载的运行状态下，运行时间长，会出现滚动轴承的温度上升、轴承的表面出现腐蚀和裂痕以及滚动体松动等，这些都是由滚动轴承的非正常磨损而造成的故障。
而由轴承安装不当造成的严重后果也不少，但滚动轴承的具体故障形式有：疲劳剥落、磨损、塑性变形、腐蚀、断裂、胶合、保持架损坏。
任何一种故障现象如果按其发生在滚动轴承的位置来分的话，可以分为：外环故障、内环故障、滚动体故障和保持架故障。
2 机车滚动轴承故障特征提取方法
传感器采集到的机车滚动轴承振动信号往往是连续的而且含有大量的白噪声，为了更好的分析滚动轴承的振动信号，从而有效的诊断滚动轴承的故障，首先应该振动信号进行离散化和低通滤波等预处理。
为了提高信号的信噪比，目前采取的方法有时域平均法、小波滤波降噪法和AR模型提取故障脉冲冲击信号法等。
在进行预处理之后，将对振动信号进行故障特征提取，目前特征提取的分类方法没有统一的形式，大致从以下几个方面进行考虑：
2.1 时域分析法
时域分析法是在时间域对振动信号进行分析的方法，也是最早提出的特征提取方法，目前广泛应用在机车轴承故障诊断仪器设备以及在线监测诊断系统中。
主要是提取时域特征量，分
为有量纲与无量纲。
其中有量纲包括：均值、均方根值、峰值和峰峰值；无量纲包括：峰值因子、峭度（归一化的四阶中心矩）、偏度（歪度）和裕度指标。
其中峰值和均方根值应用比较广泛，通过多次试验证明，时域特征量的优点表现为计算简单，只需几个特征量就能诊断滚动轴承有无故障，但其缺点为：缺乏早期报警能力、不能准确诊断滚动轴承的故障的具体位置，而且不同的特征量所能反映的轴承的故障形式也不同。
只能对机车轴承故障做出初步的诊断。
2.2 频域分析法
为了更加准确的描述滚动轴承故障的具体位置，提出了频域分析法。
频域分析法是将传感器采集到的时域振动信号转换到频域，再提取其信号的频域特征。
而轴承信号的频域特征主要表现为其故障频率，可以根据轴承的参数以及轴承的旋转频率确定轴承的外环故障频率、内环故障频率以及滚动体故障频率。
通常是采用不同的频域分析方法来确定轴承振动信号的振动频谱、功率谱或者是包络谱的故障特征频率处的峰值来确定轴承的故障频率。
目前采用的方法有：1）快速傅里叶变换（FFT）：将信号从时域变换到频域，获取信号的频域信息，提取其振动故障频率；此方法只适用于于平稳信号的处理。
2）Hilbert变换、经验模式分解（EMD）：由于滚动轴承振动信号是一种典型的非线性、非平稳振动信号，而Hilbert变换、经验模式分解能较好的分析非线性、非平稳信号，弥补了FFT的不足。
通过获得原始信号的Hilbert的包络谱，从而实现振动信号的Hilbert的包络解调，从高频的固有频率中分离出低频的故障频率。
3）高阶谱、双谱分析：高阶谱是分析非高斯信号的有力工具，能完全抑制高斯噪声，检测二次相位祸合，是提取轴承故障特征信号的有力工具；但是高阶谱对非高斯信号的处理能力较差，而双谱分析方法是处理旋转机械中大量的非高斯信号的有力工具，特别是在理论上能够完全抑制高斯噪声的干扰，从而解决了轴承振动信号的非高斯性。
2.3 小波域分析法
小波分析法是目前分析非平稳信号的有效方法，广泛应用于机车滚动轴承故障特征提取中。
它是一种典型的时-频域分析方法，能将信号分解到不同的频带上，在不同频带范围内反映原始振动信号的信息。
目前小波域特征提取的方法主要为：1）小波归一化能量特征提取方法：将振动信号进行小波或小波包变换，然后对其不同尺度下的分解系数进行信号重构，对重构信号的幅值进行归一化处理；或者将小波变换的分解系数、小波包变换的节点系数归一化处理作为表征滚动轴承的运行状态信息。
2）小波域的频谱分析法：利用正交小波基将轴承故障振动信号变换到时间-尺度域，对高频段尺度域的小波系数进行包络细化谱分析，检测机车滚动轴承故障的不同故障频率，有效识别轴承的故障模式。
3）混合小波特征提取方法：小波变换与统计分布模型相结合的方法，首先将振动信号进行小波分解重构，对重构信号建立对应的统计分布模型，求取模型的参数作为滚动轴承的特征向量；小波AR参数模型、小波域高斯分布模型参数等。
除以上介绍的特征提取方法之外，还有分析非线性特征的Wigner分布算法，利用二维、三维的Wigner分布图对滚动轴承进行故障诊断；奇异值分解技术和为了降低特征参数的维
数，寻找更有效的特征参数，缩短智能模式识别器的训练时间，可采用主元分析方法（PCA）对特征参数进行降维处理。
3 机车轴承故障智能诊断技术
机车轴承故障智能诊断是指结合信号处理方法，将提取的特征量训练故障模式识别分类器，利用分类器测试滚动轴承故障，识别去属于哪种故障类型。
目前应用最广泛的识别方法有：神经网络、专家系统、灰色系统理论、模糊理论、高斯过程、支持向量机、最小二乘支持向量机等。
本文具体介绍神经网络和支持向量机故障识别方法：1）神经网络：神经网络具有独特优点，如容错、联想、推测、记忆、自适应、自学习和处理复杂多模式，因此，对于突发性故障或其他异常现象，可以利用神经网络的联想、推测及记忆对其进行推理和诊断。
由于神经网络具有很强的鲁棒性和容错性，能对不十分准确和含有噪声的数据进行处理，但其具有陷入局部最小值的缺点。
2）支持向量机：支持向量机是统计学模式识别方法的一种，它较好地解决了小样本、非线性和高维模式识别等实际问题，而且只需要较少的样本对模型进行训练。
因此，SVM的研究成为目前热点研究问题。
但是SVM也存在着计算复杂、怎样选择和优化核函数的问题，如今计算机水平的不断提高计算复杂问题已经解决，但怎样选择和优化核函数仍然成为研究的热点。
而为了更好的提高SVM分类器的性能，提出了最小二乘支持向量机分类器。
4 展望
目前仍然找不到一种通用而有效的特征提取方法应用于机车轴承故障诊断中。
而且大部分的智能诊断还处于离线状态研究中，因此，在今后的研究中应该找到一种通用而且有效的特征提取方法实现滚动轴承故障的在线监测和诊断，更进一步能实现故障的预测。
【参考文献】
[1]吴俊伟.Laplace小波在机车轴承故障诊断中的应用研究[D].北京：北京交通大学，2009.
[2]项斌.基于小波包与支持向量机的机车轴承故障诊断研究[D].甘肃：兰州交通大学，2011.
[3]李世玲，李治，李合生.基于小波包能量特征的滚动轴承故障监测方法[J].系统仿真学报，2003，No.01：76-80.
[4]董建宁，申永军，杨绍普.轴承故障诊断中的信号处理技术研究与展望[J].轴承，2005（1）：3-47.
[责任编辑：丁艳]。