滚动轴承作为航空发动机中的一种重要支承部件,其工作状态对航空发动机的安全性和可靠性有着重要影响。为保证航空发动机滚动轴承的正常工作,传统上一般对其采用定时维修的方式。然而,由于滚动轴承的寿命具有很大的离散性,使得这种维修方式容易造成“失修”或“过度维修”,因此,有必要改传统的定时维修为视情维修。而要实现航空发动机滚动轴承的视情维修,必须要有完善的状态监测与故障诊断技术作为支撑。为此,本文以现代信号处理方法和核方法作为技术手段,从基于机匣测点信号诊断的灵敏性、故障检测、融合诊断三个方面,对航空发动机滚动轴承的状态监测与故障诊断技术进行了研究。主要研究工作如下:(1)提出了一种基于正则化核判别分析的滚动轴承故障智能诊断方法。该方法首先利用小波包变换提取滚动轴承振动信号的包络谱特征和能量特征作为滚动轴承故障特征,然后利用正则化核判别分析将提取的滚动轴承故障特征投影到一个低维子空间,使得不同状态的滚动轴承样本具有最佳的判别性,最后采用最近邻方法在该子空间内进行滚动轴承状态识别。实验表明该方法可获得与基于支持向量机的方法类似的诊断正确率,可作为一种较好的滚动轴承故障智能诊断方法。(2)分析了基于机匣测点信号进行航空发动机滚动轴承故障诊断的灵敏性。利用两个带机匣的航空发动机转子试验器分别进行了冲击响应试验和滚动轴承故障模拟试验,详细比较分析了滚动轴承处冲击激励引起的轴承座测点响应和机匣测点响应的差别以及轴承座测点信号和机匣测点信号的时域波形、频谱和小波包络谱。结果表明,滚动轴承和机匣的连接刚度对于机匣测点信号中的冲击特征有很大影响,当两者之间的连接刚度较小时,机匣测点信号中的滚动轴承故障冲击会产生很大衰减,然而,利用小波包络分析方法,依然可以诊断出相应的滚动轴承故障。该研究结果为实际中基于机匣测点信号进行航空发动机滚动轴承故障诊断提供了试验依据。(3)提出了一种基于小球大间隔方法的航空发动机滚动轴承故障检测方法。当利用机器学习方法进行航空发动机滚动轴承故障检测时,训练样本会出现仅有正常样本、正常样本和故障样本高度不平衡以及正常样本和故障样本平衡三种情况。以往研究仅关注了第一种和第三种情况,并且是采用不同的方法来解决这两种情况下的故障检测问题。针对这一问题,本文提出了一种基于小球大间隔方法的航空发动机滚动轴承故障检测方法。该方法为解决不同训练样本情况下的故障检测问题提供了一种统一的方法。(4)提出了两种基于多核支持向量机的航空发动机滚动轴承故障融合诊断方法。基于机匣测点信号进行航空发动机滚动轴承故障诊断时,由于机匣测点信号中的滚动轴承故障特征比较微弱,如果仅采用单一类型特征或单一传感器数据进行诊断,通常难以取得较高的诊断正确率。针对这一问题,本文分别提出了一种基于多核支持向量机的多特征融合诊断方法和一种基于多核支持向量机的多传感器数据融合诊断方法。实验表明,与采用单一类型特征或单一传感器数据进行诊断的方法相比,所提出的两种融合诊断方法均可以显著提高诊断的正确率,同时可以避免核矩阵需要人工选择的问题,从而进一步提高了故障诊断的自动化水平。(5)提出了两种基于正则化多核判别分析的航空发动机滚动轴承故障融合诊断方法。鉴于正则化核判别分析与支持向量机具有类似的分类性能,本文进一步研究了正则化多核判别分析在航空发动机滚动轴承故障融合诊断中的应用。首先,为利用多种类型的特征来提高诊断的正确率,本文提出了一种基于正则化多核判别分析的多特征融合诊断方法。其次,为利用多个传感器的数据来提高诊断的正确率,本文提出了一种基于正则化多核判别分析的多传感器数据融合诊断方法。实验表明,与采用单一类型特征或单一传感器数据进行诊断的方法相比,所提出的两种融合诊断方法均可以显著提高诊断的正确率,同时可以避免核矩阵需要人工选择的问题,从而进一步提高了故障诊断的自动化水平。