轴承视界轴承故障诊断常用方法为振动分析法，通过分析加速度传感器等采集振动数据，利用传统信号处理手段分析故障特征得到故障类型。
轴承实际工况往往环境噪声较大，严重制约了信号的分析，影响最终的信号分析与判断，因此信号去噪成为了轴承故障诊断过程中的重要方面，目前常用的信号去噪方法主要有基于变换、独立分量分析、经验模式分解、主分量分析、稀疏分解等方法，本文主要介绍分解降噪方法。
在数学上，去噪问题的本质是一个函数逼近问题，即如何在由母函数伸缩和平移版本所展成的函数空间中，根据提出的衡量准则，寻找对原信号的最佳逼近，以完成原信号和噪声信号的区分。也就是寻找从实际信号空间到函数空间的最佳映射，以便得到原信号的最佳恢复。
从信号学的角度看，去噪是一个信号滤波的问题，而且尽管在很大程度上去噪可以看成是低通滤波，但是由于在去噪后还能成功地保留信号特征，所以在这一点上又优于传统的低通滤波器。
分解后，一般认为系数较大的代表了信号的主特征，而小系数多为噪声部分，因此采用阈值对小系数进行约减实现信号的去噪过程。阈值去噪主要采用硬阈值和软阈值的方法。硬阈值通俗的讲为将小于阈值的分解系数置为0，大于阈值系数不变，而软阈值为小于阈值系数置为0，大于阈值部分减去阈值。从原理上看，去噪的关键在于阈值的选择，合理的阈值能够得到较好的去噪结果。
目前常用的阈值为：λ==σ *sqrt(2log(N)),其中σ是噪声强度 , N为信号长度。
软硬阈值均存在一定的缺陷，因此提出了许多改进算法，比如去噪中软硬阈值的一种改良折衷法，改进的阈值函数是介于软 、硬阈值函数之间的 一个灵活选择。公式为
确实不失为，一个比较好的方法，代码目前也有开源，是个不错的选择。
