滚动轴承作为旋转机械最重要的零部件之一,其可靠性和寿命直接影响着机器的可靠性和寿命,为解决滚动轴承可靠性难以估计的问题,提出一种基于概率核主成分分析(Probabilistic Kernel Principal Component Analysis,PKPCA)和Logistic回归模型(Logistic Regression Model,LRM)的滚动轴承可靠性评估方法.首先提取轴承的时域、频域和时频域特征值组成高维混合域特征集,并引入相对特征值降低轴承个体差异;然后用PKPCA挑选能够表征轴承退化状态的特征值作为Logistic回归模型的协变量;最后用Logistic回归模型对滚动轴承可靠性进行评估.通过IMS滚动轴承全寿命试验,验证了该方法的有效性.

针对滚动轴承的可靠性评估问题,提出了一种基于主元分析的逻辑回归模型混合域协变量的选取方法,将表征轴承运行状态的特征值通过PCA降维后作为逻辑回归模型的协变量建立滚动轴承的可靠性曲线。试验表明,基于主元分析的混合域协变量选取方法可以更好地表征轴承的退化状态。

针对旋转机械中滚动轴承早期信噪比较低的故障特征提取困难问题,提出了-种基于能量的变分模式分解（variational mode decomposition, 简称VMD）模态数 k 优化选取方法,用以提取滚动轴承早期故障特征,同时避免了信号分解过分或不足.首先,对振动信号进行VMD预分解,分别在不同 k 值条件下计算分量信号能量与原始信号总能量;其次,根据基于能量的模态数 k 选取准则,确定最佳模态数值对信号进行VMD分解;最后,通过峭度准则选择分量进行信号重构,对其进行包络分析,提取故障特征频率.将该方法运用到实际故障信号中,有效提取出滚动轴承内圈微弱故障特征,实现了早期故障特征判别,具有-定的应用价值和实际意义.

为解决滚动轴承可靠性难以评估的问题,提出了一种基于改进Logistic回归模型（improved Logistic regression model,简称ILRM）的滚动轴承可靠性评估方法。首先,计算滚动轴承的时域、频域和时频域特征,选出有效特征组成相对高维特征集;其次,利用主元分析（principal component analysis,简称PCA）选取贡献率大于95%的主元,作为改进Logistics回归模型的协变量;最后,利用改进Logistic模型求取滚动轴承的可靠度并绘制可靠度曲线。该方法可以提取轴承退化的有效特征量;兼顾轴承的退化趋势,能够真实反映轴承的状态;消除信号随机波动对可靠度预测的影响。通过辛辛那提大学智能维护中心（intelligent maintenance systems,简称IMS）滚动轴承全寿命试验,验证了该方法的有效性。