S变换兼具了小波变换和快速傅里叶变换各自的优势,具有良好的时频聚集性。灰度共生矩阵能够通过研究灰度的空间相关特性来描述图像纹理。归一化信息熵能够定量的度量信号分布的复杂程度。经S变换取其模后得到S时频谱图,通过灰度共生矩阵对滚动轴承全寿命周期内不同状态进行特征提取并对其进行复杂度度量,提出了一种S-GLCM熵特征指标来反映滚动轴承的退化过程。通过对滚动轴承内圈、轴承外圈、轴承滚动体三种故障分别进行3种不同损伤程度数学模型仿真数据分析,提取各自S-GLCM指标进行对比,验证了该方法的可行性。通过对滚动轴承加速疲劳寿命周期内的数据进行分析,与工程中常用的时域指标有效值进行对比,结果表明了该方法的有效性。

针对传统滚动轴承退化指标构建方法高度依赖于人工筛选特征的问题,提出基于卷积神经网络的端到端的滚动轴承性能退化指标构建方法。该方法在Softmax的输出端设置两个节点,分别代表正常和失效状态,以正常状态归一化的幅值谱为训练样本,以待评估数据在正常节点输出概率为基础,构建了滚动轴承性能退化指标。通过在不同实验数据集中的应用,以及与其他指标的对比,验证了该方法的有效性和优越性。

为了能够准确地对大型设备的性能退化过程进行描述，提出了一种基于支持向量数据描述（SVDD）和信息融合技术的评估方法。通过SVDD算法分别评估来自单个传感器的数据，然后运用D—S证据理论对来自多传感器的局部评估结果进行信息融合，最终给出设备的整体性能评估结果。实验分析表明，SVDD算法能够真实地反映设备局部性能退化状态的变化，而利用D—S证据理论得出的整体设备状态评估结果符合实际情况，同时有效地消除局部信息之间的矛盾，提高了设备整体评估的可靠性。

针对传统滚动轴承退化指标构建方法高度依赖于人工筛选特征的问题,提出基于卷积神经网络的端到端的滚动轴承性能退化指标构建方法。该方法在Softmax的输出端设置两个节点,分别代表正常和失效状态,以正常状态归一化的幅值谱为训练样本,以待评估数据在正常节点输出概率为基础,构建了滚动轴承性能退化指标。通过在不同实验数据集中的应用,以及与其他指标的对比,验证了该方法的有效性和优越性。