滚动轴承是众多旋转机械的关键性部件,被人们称为机器的关节。其在极端环境下,受各种因素的影响,是整个旋转机械系统中可靠性最差的零部件,成为“水桶短板”,直接影响整个机械设备的运行可靠性。滚动轴承运行时,其性能一般会从正常状态逐渐衰退直至完全损坏。如果能在轴承损坏过程中检测到它的性能退化程度或同时检测到故障位置及性能退化程度,就能够变传统的定时或事后维修为视情维修,实现轴承的主动维护。这样可最大限度利用轴承寿命,降低维护保障成本,避免进一步导致事故发生,造成巨大的损失。该研究方向侧重于设备整体性能的研究,是从理念和方法上对现有故障诊断技术的拓展与深入。本文以滚动轴承为研究对象,对滚动轴承非平稳振动信号进行分析与处理。以实现一种滚动轴承不同状态(正常状态,内环、滚动体、外环故障状态及其不同性能退化程度)智能评估方法为目标,在深入研究振动信号特征提取与约简方法的基础上,进一步深入研究超球结构多类支持向量机的优化问题,以及如何建立滚动轴承多状态评估模型这一关键技术问题。论文的主要工作包括:(1)基于集合经验模态分解(EEMD)的振动信号时频分析方法研究。对比分析验证了基于EEMD的Hilbert谱时频分析方法具有时间和频率分辨率高、抗模态混叠的特点。并针对EEMD分解时,加入噪声幅值大小和集合平均次数这2个重要参数的选取问题,从能量标准差的角度,研究EEMD方法中加入白噪声的准则;针对滚动轴承振动信号经改进的EEMD分解后得到的固有模态函数(IMF)仍含有虚假分量和对滚动轴承故障不敏感的IMF分量问题,研究一种峭度值结合归一化相关系数的IMF提存算法。实验研究验证了所提方法的有效性,为后续进一步提取特征打下坚实的基础。(2)振动信号多域特征提取与约简方法研究。为了精细刻画滚动轴承运行状态,体现滚动轴承振动信号的全局特征以及局部特征,研究时域、频域和时频域的多域特征提取方案。其中,时频域特征提取方面提出了基于改进EEMD敏感IMF分别结合时域指标、频域指标、自回归模型和奇异值分解的方法。基于此构造了滚动轴承单个样本的特征向量以及各状态的特征向量矩阵,并建立了滚动轴承各状态特征库。针对高维特征之间存在相关性和冗余性的问题,研究流形学习算法,结合支持向量机(SVM)通过实验对比分析,确定了对滚动轴承特征约简最有效的方法。(3)智能分类方法及故障智能诊断方法研究。超球结构多类SVM虽具有一系列优点,但其分类精度与普通SVM相比并不高。针对此问题,研究分类规则,提出改进方案,并对关键区域提出了新的决策准则。同时,针对经验确定超球结构多类SVM核参数选取范围的问题,推导超球球心间的距离计算公式,提出将球心间的距离作为分离指数确定核参数的最优选取范围,达到了降低训练时间消耗的目的。深入研究了滚动轴承不同运行状态的智能故障诊断方法。建立了超球结构多类SVM智能诊断模型,并进行了大量实验,验证了所提方法的有效性。(4)滚动轴承状态评估方法研究。针对滚动轴承故障智能诊断方法只能判断轴承故障状态的从属关系,不能对损伤程度和故障变化进行量化描述,以此来定量评估其性能状态的问题,从SVM分类原理、滚动轴承结构及传感器安装位置的振动传播机理角度分析,提出基于SVM的补偿相对距离的评估指标;从改进超球结构多类SVM原理、特征向量的方向、各状态超球的位置关系多方面分析,又提出夹角余弦距离补偿广义最小距离的评估指标,建立了智能评估模型。通过滚动轴承不完备振动数据和全寿命完备数据两方面的实验研究,对比分析了各评估模型的性能。