为了准确地对轴承性能退化过程数据进行评估，将Mexican hat小波函数引入支持向量机多分类器中，提出一种小波支持向量机多分类器。并基于平移不变核函数条件，给出该小波函数为容许核函数的证明。根据“一对多”算法建立支持向量机多分类器。通过对内圈故障和滚动体故障的轴承性能恶化过程中数据的分析，表明小波支持向量机具有比BP（back propagation）神经网络、RBF（radial basis function）核函数支持向量机更高的分类正确率。

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。

滚动轴承是旋转机械设备的常用关键部件之一,其性能退化评估是机械设备状态监测与视情维修的基础和依据。为及时准确掌握滚动轴承性能退化趋势与程度,提出基于单层稀疏自编码学习和支持向量机的滚动轴承性能退化评估方法,研究能够深度挖掘数据各种潜在隐含信息的稀疏自编码学习方法以及基于时频域特征和稀疏自编码学习的轴承状态特征的提取方法;提出基于支持向量机分类算法改进的轴承性能退化评估算法,并应用到滚动轴承的性能退化评估模型中,确定了模型参数寻优的方法;最后将所获得的轴承状态特征输入到轴承性能退化评估模型,得到了轴承性能退化趋势图,并通过滚动轴承实例验证了所提出方法的实用性。

针对传统隐马尔可夫模型（hidden Markov model,简称HMM）状态数必须预先设定的不足,提出了一种基于分层狄利克雷过程-连续隐马尔可夫模型（hierarchical Dirichlet process-continuous hidden Markov model,简称HDP-CHMM）的机械设备性能退化评估方法。该方法利用分层狄利克雷模型的分层聚类原理,在狄利克雷过程（Dirichlet process,简称DP）模型的基础上进行扩展,利用多组关联数据实现了模型结构根据观测数据的自适应变化和动态调整,获得设备运行过程中的最优退化状态数,并结合连续隐马尔可夫模型（continuous hidden Markov model,简称CHMM）良好的分析和建模能力,获得设备退化状态转移路径,实现机械设备运行过程中的退化状态识别和性能评估。利用滚动轴承全寿命数据的多组特征值进行了应用研究,并与基于K-S检验算法的机械设备零部件性能退化评估方法进行了比较。结果表明,...

提出了一种基于变分模态分解（VMD）和支持向量数据描述（SVDD）相结合的滚动轴承性能退化程度定量评估方法.针对采样时间长、采集到的信号数据点多时,信号中某些部分可能受到异常信号干扰的问题,首先提出了一种基于VMD和SVDD结合的特征提取新方法,将长信号分为多帧短信号,分别使用VMD方法分解短信号并提取各分量的奇异值组成特征向量,得到一组特征向量集,然后使用SVDD方法找到并剔除其中的异常样本点,求出剩余特征向量的平均值便可作为原信号的特征.特征提取完毕后,使用SVDD方法进行性能退化评估,以待检样本到训练得到的超球体模型球心的距离描述性能退化程度,并使用隶属函数将距离指标转化为与正常状态的隶属度作为性能退化指标,实现设备的性能退化程度的定量评估.使用轴承全寿命数据,并与以传统时域无量纲指标作为特征的分析结果...

针对液压泵性能退化过程定量评估,提出了变分模态分解(VMD)和支持向量数据描述(SVDD)相结合的综合评估方法。利用VMD方法将信号分解成一系列不同频率成分的BIMF分量,并用SVDD方法对异常点进行剔除;使用SVDD方法对正常状态样本进行训练得到超球体模型,并计算各样本到球心的距离;再将各样本到球心的距离转化为隶属度,作为性能退化指标。通过对轴向柱塞泵滑靴磨损和松靴故障实验数据分析,验证了该性能退化评估方法的有效性。