旋转机械健康监测中，滚动轴承振动信号容易受到工况波动、环境噪声和采集干扰的影响，导致早期故障信号幅值低、周期性弱、易被噪声淹没。传统基于奇异值截断的去噪方法虽然简单易用，但在复杂噪声环境下容易误削弱有效信号，导致故障特征不够明显，影响诊断准确性和可解释性，难以实现从"事后检修"到"提前预警"的转变。 现有问题主要源于传统方法的局限性。常用的截断式奇异值分解(TSVD)采用硬阈值策略，仅保留前几个奇异值，其余直接置零。这种"阶梯式"处理容易造成信号突变和细节丢失。而一些改进的重加权策略又存在参数设置依赖经验、适应性不足等问题。更重要的是，轴承故障通常伴随冲击激励和包络调制等物理现象，单纯依赖统计方法而忽略物理特性，往往导致去噪效果与故障识别效果不匹配。 针对这些问题，新方法创新性地将统计分析与物理机理相结合：一上利用振动信号的低秩特性构建汉克尔矩阵突出主导成分；另一方面将故障调制规律作为先验信息融入分解过程，增强对故障特征的识别能力。研究表明，这种方法不仅能有效抑制随机噪声，还能更好地保留与轴承缺陷有关的周期性冲击成分，提升特征频率在包络谱中的可辨识度。这对企业意味着可以在不增加传感器的情况下，提高早期预警的可靠性，减少意外停机损失。 技术实现上，该方法采用加权软阈值奇异值分解策略：通过构建与奇异值大小成反比的权重向量，对不同能量成分实施自适应处理——对主要信号成分轻微调整，对噪声成分强力抑制，避免硬截断的缺陷。同时引入周期性调制强度指标，量化右奇异向量的包络调制特征，据此调整奇异值权重，使分解结果更符合轴承故障的物理特性。为减少工程应用中的误差，还采用了重叠分段和加权平均重构技术，确保信号转换过程的平滑性。 验证环节采用了国际通用的IMS轴承加速寿命试验数据，选取2004年2月19日采集的振动信号样本进行多维度评估。测试涵盖矩阵分解质量、时域重构精度和频域特征识别等指标，确保结果可靠可验证。业内专家指出，随着工业数据规模扩大和设备运行环境复杂化，这种兼顾自适应性和物理一致性的方法将成为智能运维的关键技术。同时，激光多普勒测振等先进测量技术的发展，也为算法在更严苛场景应用提供了支持。
这项研究不仅为机械故障诊断提供了新思路，更展示了理论研究与工程结合的价值；在我国制造业智能化转型的背景下，此类融合物理机理与智能算法的创新成果，将为重大装备安全运行提供有力支撑，助力制造强国建设。