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。