重庆ABB库卡发那科杜尔工业机器人维修保养及配件销售电主轴轴承的振动信号特征提取是故障诊断与状态监测的核心环节，其目的是从原始信号中剥离冗余信息，提炼出能精准反映轴承运行状态的关键特征。常用方法主要分为时域、频域及时频域三大类，各类方法互补适配不同信号场景。

时域特征提取是最基础的方法，直接对原始振动信号进行统计分析，无需信号转换。核心指标包括均值、方差、峰值、峰峰值等统计量，可快速反映信号的整体能量与波动程度；偏度、峭度能有效识别信号的非对称性与冲击特性，尤其适用于轴承早期故障的初步筛查。该方法计算简便、实时性强，但对复杂工况下的微弱故障特征敏感性较低，易受噪声干扰。

频域特征提取通过傅里叶变换将时域信号转换为频域信号，聚焦信号的频率分布规律。常用方法包括功率谱密度估计、谐波分析等，能精准定位轴承故障对应的特征频率（如内圈、外圈、滚动体故障频率），明确故障类型。其中，功率谱密度可量化不同频率成分的能量占比，是识别周期性故障的核心手段。但该方法仅适用于平稳信号，对非平稳、突变性振动信号的适应性较差。

时频域特征提取结合了时域与频域的优势，可同时反映信号在时间与频率上的变化规律，适配电主轴启停、负载波动等非平稳工况。主流方法包括小波变换、短时傅里叶变换（STFT）、希尔伯特-黄变换（HHT）等。小波变换能通过多尺度分解聚焦信号细节，有效抑制噪声并提取微弱故障特征；STFT通过滑动时间窗实现局部信号的频域分析，平衡时间与频率分辨率；HHT则可自适应分解非平稳信号，生成瞬时频率谱，精准捕捉故障突变特征。

此外，近年来机器学习驱动的特征提取方法逐渐兴起，通过自动学习信号深层特征，减少人工特征设计的主观性，大幅提升复杂工况下的故障识别精度。实际应用中，常结合多域特征融合策略，整合不同方法的优势，进一步提升特征提取的可靠性与鲁棒性，为电主轴轴承的状态评估提供精准支撑。