基于SSD和ICA降噪的滚动轴承故障诊断*

陈 森,张 浩,甄 冬,师占群

(河北工业大学机械工程学院，天津 300401)

0 引言

滚动轴承在机械传动系统中占据着重要的角色，是机械生产制造的核心零件，然而轴承所处的工作条件极其恶劣，常常面临高温、高压、潮湿和交变载荷的外部环境，极其容易产生故障，所以对轴承的检测和诊断具有重大意义。然而轴承早期故障特征较为微弱，故障信号容易淹没在噪声中，为轴承的诊断、检测增加了较大难度[1-3]。

奇异谱分析(Singular Spectrum Analysis, SSA)又称奇异值分解(Singular Value Decomposition, SVD)，是一种非参数化谱估计的先进信号处理方法[4]，近些年来由数学领域应用到了旋转机械的故障诊断研究领域，很多专家对其做了相关研究。何志坚等将FSWT与奇异值分解结合，对具有多重故障的轴承振动信号提取出了具有周期特性的冲击成分[5]；唐贵基等提出了改进的奇异谱分解结合奇异值分解的方法，并成功应用到齿轮箱的故障诊断中[6]。但SVD在构造轨迹矩阵时无法自适应选取嵌入维数，凭借经验选择会对结果产生较大影响[7]。因此，2014年BONIZZI等在SVD的基础上提出了奇异谱分解(Singular Spectrum Decomposition, SSD)算法[8]，SSD克服了SSA的缺陷，可以自适应选取嵌入维数的大小，并从原始时间序列中分解出若干奇异谱分量(Singular Spectrum Component, SSC)。如今，该方法在科学研究领域已经得到广泛应用。

独立成分分析( Independent Component Analysis, ICA) 可以将线性混合时间序列中相互独立的成分分离出来。在旋转机械故障监测、特征提取中已经得到了初步的应用[9]。快速独立分量分析(Fast Independent Component Analysis, FastICA)以负熵最大进行寻优，其计算复杂度较低，稳定性好[10]。……