滚动轴承作为旋转机械的重要部件,其运行状况是否良好关系着整个机组的运行状况。工业水平不断进步,机械设备的故障诊断也越来越引起人们的关注。作为故障诊断的重要内容,故障预测可以对故障发展趋势进行跟踪和预测。传统的预测模型大多在单通道的基础上进行分析,因此存在数据信息片面、不准确的缺点,而运用全矢谱技术对同源双通道信号进行信息融合,可以全面地表征转子的运行状态。本文首先采用全矢VMD方法融合多个特征主振矢,提取互不相关的特征主成分,并建立KPCA模型对过程数据进行实时监控,利用AR预测模型对监控指标的趋势进行预测,预测设备是否发生故障,并进一步追踪故障发展趋势,最后采用全矢Hilbert包络分析提取故障数据的特征频率以进行故障诊断。主要工作如下:(1)提出了一种全矢变分模态分解(FV-VMD)的特征提取方法。首先利用VMD对同源双通道信号进行自适应分解,得到若干IMF分量,再利用全矢谱提取重构信号的特征频率。实验表明,该方法既能提取信号的特征频率,同时又可以克服模态混叠,在特征提取方面具有很好的应用性。(2)提出了一种全矢变分模态分解(FV-VMD)算法和核主元分析(KPCA)相结合的方法进行故障监测。首先利用上述方法提取正常状态下信号的特征频率,建立KPCA模型,然后运用KPCA模型对待测样本数据进行在线监控,当该模型的T~2和SPE统计量超过已设定的控制限时,可初步认为轴承可能开始出现故障。结果表明,该方法可以较好地监测出滚动轴承的运行状态。(3)提出了一种全矢KPCA和AR结合的滚动轴承故障预测模型。首先将测试数据输入到上述方法建立好的全矢KPCA监控模型,并输出T~2和SPE统计量,然后将其值作为AR预测模型的输入,最后根据其预测值超出KPCA监控模型的控制限与否来判断设备是否出现故障,同时追踪故障的发展趋势,诊断故障类型。结果表明,全矢KPCA-AR模型在判断滚动轴承是否发生故障的同时,给出了故障的发展趋势,并进一步对故障进行诊断。