滚动轴承是旋转机械的重要组成部件,其性能状态对机械设备运行及效率起至关重要的作用。基于振动分析的滚动轴承智能故障诊断已成为国内外学者的研究热点,但相关研究主要针对固定工况运行环境,难以满足工程实践中载荷变化和转速波动的变工况故障诊断需要。本文基于滚动轴承振动信号的非平稳、非高斯特性,对特征参数提取、特征向量优化、变工况故障诊断和性能退化评估等问题展开研究。主要工作概述如下:1.研究振动信号的连续小波变换,提出一种基于最小香农熵和奇异值分解的Morlet小波参数优化方法。最小香农熵意味着小波系数稀疏,保证小波波形和信号之间的较高相似度,奇异值分解可以检测序列的周期特性,二者相结合能提取更有效的故障特征信息。研究最优Morlet小波系数的常用统计参量性质,标准差、均值、均方根和无穷范数在不同轴承状态下差异性显著,作为特征参数获得可靠的故障诊断结果。最后用比较实验证明Morlet小波参数优化的有效性和可靠性。2.研究振动信号的小波包分解,提出一种差异性和相似性相结合的特征向量优化方法。振动信号小波包分解获得多个带宽相同的子频带,但有效故障特征信息只分布在少量子带中,特征向量存在冗余信息。选择Daub8小波,根据子带宽度和谐波频率估算小波包分解层数,并将子带能量作为参数构造特征向量。基于Fisher线性距离测度,差异性优化选出不同轴承状态下距离较大的特征向量行向量,相似性优化选出特征向量内距离较小的行向量。优化特征向量具有较大的类间差异性和类内相似性,在突出故障特征信息同时抑制了干扰成分。比较实验表明文中优化方法的辨识精度优于文献方法。3.对振动信号进行小波降噪研究,提出一种基于短时过零率的工况鲁棒早期故障诊断方法。过零率只与信号通过零点的频度有关而与波形或幅度无关,对工况改变导致的振动信号波形变化鲁棒,也能在一定程度上表征信号的频域信息。确定小波函数、分解层数和阈值策略后,研究小波降噪信号的短时过零率特点,其在不同故障状态下的差异性明显,在故障相同但工况不同时又具有较大的相似性,是一种工况鲁棒的特征参数。使用任意一种工况的数据训练模型,都能正确辨识当前工况和其它三种工况的故障类型,实现工况鲁棒的早期故障诊断。4.研究滚动轴承振动信号的非高斯特性,提出一种基于双谱主成分分析的智能故障诊断方法。先对振动信号的双谱特性进行研究,其幅度和分布特性在不同故障类型时具有明显的差异性,在故障相同但工况不同时又具有一定的相似性。使用主成分分析方法提取双谱中的有效特征信息,取其幅值作为特征参数,实现了不同工况和不同故障程度的轴承状态判别。此外,零载荷工况数据训练的模型,能辨识其它三种不同工况的故障类型,具有工况鲁棒的故障诊断功能。5.对滚动轴承性能退化评估进行研究,提出一种基于隐马尔可夫模型距离的性能退化评估指标。先设计滚动轴承加速度疲劳寿命试验,并自制数据采集系统记录6205轴承性能退化过程的振动加速度信号。研究常用诊断指标在性能退化过程中的变化规律,发现滚动轴承性能退化过程经历六个不同阶段,将其命名为:正常状态、早期故障、中度故障、严重故障、预警阶段和轴承失效。振动信号的均方根作为特征参数训练隐马尔可夫模型,并将初始寿命时刻模型作为基准点,计算性能退化过程模型与基准点之间的距离,结果表明隐马尔可夫模型距离是一种有效的性能退化评估指标。