时变自回归参数模型的滚动轴承智能故障诊断概况

     根据轴承知识得轴承运行时的振动信号是典型的非线性非平稳时间序列，对其建立时变自回归参数模型，可以较好地表征轴承振动的非平稳特征。运用轴承知识在对轴承振动信号时变自回归模型的时变参数进行大量实验分析研究的基础上，提取均值作为表征轴承运行状态的特征参数，并输入支持向量机分类器进行故障识别与分类，实现滚动轴承的智能故障诊断。实验结果表明，该故障诊断方法可以有效准确地识别滚动轴承的运行状态。

     滚动轴承是旋转机械中应用最广泛的零部件之一，轴承工作状况的好坏决定着机器能否正常工作。统计显示，旋转机械设备的功能失效有是由轴承故障引起的，因此，对滚动轴承进行故障诊断具有十分重要的意义。轴承运行时的振动信号是典型的非线性非平稳时间序列，很难用一个完全确定的数学函数来表达。因而对轴承进行故障诊断常通过提取振动信号的特征参数并建立其与运行状态之间的关系来实现。时间序列分析通过将观测数据拟合为一个参数模型，实现对系统动态特征与内在结构关系的近似描述常用的时间序列参数模型，如 自 回 归 模型、滑动平均模型和自回归滑动平均模型等，都是在假定数据序列为平稳的条件下建立的，在实际应用中存在一定的局限性。时变参数模型因其具有较高的非平稳信号时频分布分辨率而受到普遍关注时变自回归 模型是目前应用最多的一种时变参数模型，通过对滚动轴承振动信号的模型求取的时频谱进行奇异值分解，提取奇异值作为特征参数，对转子系统振动信模型，提取其基函数的组合权值作为特征参数，实现了对旋转机械的状态监测和故障诊断。目前，直接提取振动信号模型的时变参数作为反映机械设备运行状态特征参数的研究还不多见。通过对轴承振动信号的模型的时变参数进行大量实验研究分析，发现时变参数能有效利用信号的时频分布信息，较好地表征非平稳信号的动态特征。为此，提出一种基于时变自回归参数模型的滚动轴承智能故障诊断方法。