轴承故障是旋转机械发生故障的***主要原因之一，这种故障可能是灾难性的，从而导致昂贵的停机时间。轴承预测的关键问题之一是在缺陷的初期阶段就对其进行检测，并在操作人员发展成灾难性故障之前对其进行警告。 对于基于传感器的方法，信号降噪和信号弱签名的提取对于轴承的预测至关重要，因为测量机制的固有缺陷通常会给信号带来大量噪声。另外，有缺陷的轴承的信号会散布在很宽的频带上，因此很容易被噪声和低频效应掩盖。 通常，轴承振动信号是通过安装在轴承箱上的振动传感器收集的，传感器通常会从其他机械部件收集主动振动源。测量机制的固有缺陷将大量噪声引入信号中。 因此，轴承故障的信号会散布在很宽的频带上，并容易被噪声和低频效应掩盖。挑战之一是在缺陷开发的早期阶段增强弱签名。 需要一种信号增强方法来为轴承性能评估和预测提供更多明显的信息。 从嘈杂的背景中提取信号的传统方法是设计一个合适的滤波器，该滤波器可以去除噪声成分，同时让所需信号保持不变。根据噪声类型和应用，可以设计不同的滤波器进行降噪。 但是，对于噪声类型和频率范围未知的情况，传统的滤波器设计可能会成为计算量很大的过程。 小波变换由于其非凡的时频表示能力而被广泛用于信号去噪。尽管大多数信号降噪方法都旨在从嘈杂的原始信号中检测出平滑曲线，但来自机械故障（例如齿轮和轴承）的振动信号却比平滑的更像脉冲。 一些研究人员开发了基于Morlet小波分析的去噪方法，并将该方法应用于齿轮振动信号的特征提取。这些方法寻求***佳小波滤波器，该滤波器可以给出变换信号的***大峰度值。 但是，轴承的缺陷特征是周期性的脉冲。周期性在故障识别中起着重要作用，在***佳小波滤波器构造中不应忽略。 轴承预测的另一个挑战是如何基于提取的特征有效地评估系统性能。有效实施轴承预测的主要困难之一是缺陷增长的高度随机性。 即使可以提取各种各样的特征来描述来自不同方面的信号特征（例如均方根[RMS]，峰度，波峰因数，倒谱和包络谱），以前的工作表明，每个特征都是仅在某些阶段对某些缺陷有效。 例如，由波峰因数和峰度表示的振动信号的尖峰表示初始缺陷，而RMS值给出的高能级则表示严重缺陷。 好的性能评估方法应利用来自多个功能部件和传感器的相互信息来进行系统降级评估。