针对短时、小样本数据下提取的特征对早期故障敏感度和故障演化过程稳定度低、信息冗余的问题,提出了大数据统计趋势分析和核主元分析方法(Principal component and analysis,PCA)的滚动轴承故障演化特征提取和早期故障诊断方法。采集滚动轴承正常状态到完全失效状态的全寿命振动数据,计算原始数据中不同故障严重程度下的时频统计特征,建立各个统计特征描述的故障演化趋势,分析各个统计特征描述的故障演化特性,初步选择能够敏感且稳定感知故障演化过程的统计特征集,利用PCA分析初选结果中各个统计特征间的相关性和贡献度,进一步剔除冗余特征,最终得到能全面表征故障演化过程的特征。最后,使用滚动轴承全寿命振动数据验证本文所提方法的有效性。实验结果证明,标准差、均值频率、标准差频率等特征能敏感地检测滚动轴承早期内环故障并稳定跟踪其演化过程。
针对传统滚动轴承损伤评估方法未考虑故障特征的稳定性和有效性导致评估的准确度不高的问题,提出了基于改进EMD(empirical mode decomposition)的滚动轴承故障增长特征提取和损伤评估技术。使用EMD将不同损伤程度的故障信号分解为一系列的奇异值分量(singularity value decomposition,SVD),建立不同SVD分量描述的故障增长趋势,分析各级分量对故障增长过程的稳定性和敏感性,提取能够有效感知故障增长过程的奇异值分量作为故障增长特征,建立滚动体、内环和外环故障以及不同故障严重程度下的样本模型,利用智能算法辨识故障类型并评估其严重程度。最后,使用凯斯西储大学公开的滚动轴承振动数据验证所提方法的有效性。实验结果证明,故障增长分析方法能够从复杂的奇异值分量中筛选出有效跟踪故障增长过程的特征,对提高损伤评估的准确度具有重要意义。
