特征参数

最初的信号处理方法是从原始的时域信号或者频域中提取基于统计参数的特征，如有效值，均值，标准差，歪度，峭度值，裕度等。

无量纲参数是通过有量纲参数计算得到。西安交通大学雷亚国教授对每一个统计参数进行了深入研宄，指出无量纲参数的特点是旋转机械转速、载荷以及信号绝对水平等影响，对诊断精度而言有较好的鲁棒性。均方根值能够很好反映全寿命周期试验中轴承失效过程不同阶段的加速度信号中能量变化，当部件受损时表现为振动幅值增大，最适合用于描述全寿命周期下轴承从正常到失效的过程中，反映加速度大小和局部损伤程度之间的变化关系。峭度和峰值指标对信号的波形变化非常敏感，能够反映出缺陷发展趋势，偏斜度适用于不对称、非线性信号，可以描述滚动轴承的故障特征。鉴于峭度对周期信号转速和频率带宽在高频、窄带范围的有效性，意大利学者ＤｊｅｂａｌａＡ．等利用峭度值作为评估标准以选择合适参数对小波多分辨率分析完成优化，成功运用到了滚动轴承早期故障诊断。韩国ＶａｎＭ．提取了球轴承的时域和频域统计参数，结合特征降维方法和分类器实现了智能化的故障诊断，准确识别不同故障的轴承状态Ｐ＂４７１。虽然时域统计指标得到了广泛使用，但是特别容易受噪声等干扰成分的影响。Ａｍａｍａｔｈ，Ｍ．等学者的研究成果对此点做了很好的说明：分别提取了原始信号和经ＥＭＤ分解后的ＩＭＦ函数的时域指标，发现只有第四个分量函数的峭度和峰值能够区分滚动轴承的不同状态（正常、外圈损伤、内圈损伤和滚动体损伤）。

除了最基本的统计参数，较为复杂的时域分析方法是基于参数识别思想的，通过时间序列模型拟合时域波形建立参数化的时间序列模型提取特征，如自回归（ＡＲ）模型。该模型的系数对旋转机械的冲击成分尤其敏感，因此可以用来刻画轴承或齿轮等部件的状态信息，作为故障特征量。旋转部件在低速状态下工作时，由于引起的冲击能量小，故障特征不明显，增加了状态监测的难度。