滚动轴承在长期工作过程中存在不同程度的性能退化。如果能够识别滚动轴承的退化状态,就可以采取维修措施。针对滚动轴承性能退化评估问题,提出了一种基于振动信号自回归模型(Autoregressive model,AR)能量比和支持向量数据描述(Support vector data description,SVDD)相结合的滚动轴承性能退化评估方法。首先用AR滤波得到轴承全寿命周期内振动信号的剩余分量,计算能量比作为轴承状态的特征向量;然后利用轴承正常状态下的特征向量对SVDD进行训练,得到正常状态下的超球面。轴承全寿命周期样本特征向量与超球面之间的相对距离作为轴承性能退化定量评估指标;最后设定早期故障报警阈值。结果表明,与常见的监测指标的性能退化评估方法相比,该方法的早期故障检测能力强,对轴承各阶段性能退化状态描述更为准确。

机械行业中的大型关键设备一般没有足够故障数据作为其运行状态的参考,对于这类设备的监测研究就更为重要。文中利用机械设备正常运行时的信息作为样本,利用EMD自适应分解采集到的数据,作为SVDD单值分类器的输入来判断机械设备运行状态,经滚动轴承实验,得到了较好的运行状态评估效果。