滚动轴承是旋转机械设备的重要部件,同时也是主要的承力部件。其运行状态将会影响到机器的工作性能,因此对滚动轴承的运行状态进行实时监测,预测滚动轴承的剩余使用寿命,不仅可以减少轴承故障带来的经济损失,还可以避免重大事故的发生。本文以滚动轴承振动信号为研究对象,采用MED-MEEMD降噪的方法,从强噪声中提取表征轴承故障状态的特征量,通过快速谱峭度图分析和包络解调确定轴承的故障类型。采用概率核主成分分析(Probabilistic Kernel Principal Component Analysis,PKPCA)的方法挑选基于时域、频域和时频域的混合域特征值,并将其作为逻辑回归模型的协变量,建立了轴承的性能退化模型。下面介绍本文的详细研究内容:(1)论述了本课题的研究方向、研究内容和研究意义,对轴承的基本结构、常用的轴承特征量进行了表述,以及对滚动轴承各部分的故障特征频率进行了推导。设计了轴承外圈、内圈和滚动体等不同类型的故障试验,通过labview软件开发了一套滚动轴承振动信号采集和分析系统,搭配美国国家仪器提供的数据采集设备,实现了对滚动轴承振动信号的实时采集、数据保存和数据分析。该数据分析系统可以对采集到的振动信号进行时域和频域分析,同时包括倒频谱和包络解调技术。(2)为了在强噪声环境下,准确提取滚动轴承的故障特征,研究了基于最小熵反褶积和改进的集合经验模态分解的滚动轴承振动信号降噪方法,通过最小熵反褶积对轴承振动信号进行初步降噪,降低噪声的同时提高了信号的峭度值和信噪比。然后采用MEEMD对信号进行分解,挑选有用的固有模态函数重构信号。对重构后的信号进行快速谱峭度图分析确定带通滤波器参数,通过包络解调谱确定滚动轴承的故障类型。(3)研究了基于概率核主成分分析和逻辑回归模型的滚动轴承性能退化评估方法,将能够表征轴承退化状态的时域、频域和时频域的特征值组成高维混合域特征集,通过概率核主成分分析的方法对高维混合域特征集降维,将降维后得到的主元作为逻辑回归模型的协变量,实现了对滚动轴承性能退化的评估。