摘要：滚动轴承作为旋转机械设备的关键零部件之一，其使用寿命受多因素影响，尤其是在高负荷、多工况、运行时间长的轴承，运行状态应备受关注，目前基于振动信号的轴承监测、轴承寿命评估和预测是最有效的方法之一。针对轴承故障诊断方法只能判断出轴承故障部位，不能对轴承损伤程度和变化形成量化描述。本文通过对原始信号的有效特征指标处理、提取和识别，并利用主成分分析法对指标进行融合，寻找可靠指标对轴承健康状态进行描述。
关键词：滚动轴承；特征提取；主成分分析法；健康状态
引言
滚动轴承是电力、冶金、运载、机械等国民经济行业使用最广泛的机械零件，也是机械设备中最易受损的零件之一。因此轴承状态监测是许多旋转机械中必不可少的一部分，目前基于振动信号的轴承状态监测、轴承寿命评估和预测是最有效的方法之一。本文主要通过幅域分析中对相关特征参数提取，并使用特征融合、高斯过程回归对轴承状态进行评估和预测。
1 滚动轴承特征参数提取
1.1 基于振动信号特征指标概述
时域特征指标主要分为有量纲参数和无量纲参数。一般来说，随着轴承故障的萌生和不断扩展，同一台设备的有量纲特征指标幅域值会不断增大。有量纲特征指标对于早期故障较为敏感，但会因工作条件的变化而变化，不能稳定的反应轴承状态。而无量纲指标对轴承故障较敏感，但其敏感度是随着故障的不断发展会有所下降。因此，根据轴承状态选取合适指标是非常重要的。有量纲参数主要有有效值、标准差、方差、偏斜度、峭度等。无量纲时域特征参数有偏斜度指标、脉冲指标、波形指标、峰值指标、裕度指标、峭度指标等。
时域分析往往只是判断滚动轴承是否存在故障及故障的严重程度，不能判别是轴承哪个部位出现问题，而频域分析则可根据相关的频谱成分进行故障诊断。频域特征指标参数是通过傅里叶变换使离散的振动信号从时域转化为频域。对不同故障程度，其特征指标参数是有所不同的。其相关指标计算式见表1。
表1-频域特征指标参数
.png)
1.2 滚动轴承特征选取和融合
特征提取实现了从大数据量、低维度、低信息浓度的时间序列转化成高维度和高信息浓度的特征指标，但提取的这些特征指标之间的信息往往仍然存在一定的不相关性或冗余性。当冗余度达到很高程度时，不仅会降低模型的精度，还会造成模型训练中时间和资源的浪费。因此，为有效的提取特征量，首先可选取灵敏度可靠性高的时、频域的特征量，从原始数据空间转化为特征指标空间。然后再对特征量空间矩阵进行降维，降低信息的冗余度，提高信息浓度。
1.2.1 滚动轴承特征选取
特征选取的方法是从原始特征参数中选择出一些具有代表性、较好可分性能的特征。如何选取具有代表性的特征参数有效的识别轴承状态是较为困难的，因为通过单个特征量直接去对应故障状态本身就很难实现。目前主要特征选取算法有：Filter方法、Wrapper方法、Embedded方法。
1.2.2 基于主成分分析法滚动轴承特征融合
特征指标融合主要使用主成分分析法实现。这种方法在引进多方面变量的同时将复杂因素归结为几个主成分，既提取了有效的特征信息，有使数据简单化，同时得到更加科学有效的数据信息，使设备诊断工作大大简化。
假设故障特征矩阵有m行数据，有n个特征指标，那么可以得到一个m*n的矩阵：
.png)
两个参数的相关程度，可以使用协方差进行衡量，当协方差为0时，表明两个参数完全独立，为了让协方差为0，根据第一个参数选择第二个是必须是在其正交的方向上。因此X的协方差矩阵C为:
.png)
可以直观地看出矩阵C为一个对称矩阵，对角线是各个特征参数的方差，其它元素为参数的协方差，使协方差矩阵对角化，即除了对角线外的其他元素化为0，并将对角线上的元素从大到小依次排列。
.png)
通过特征量顺序可以对应其特征向量，样本X投影到特征向量上得到该方量对应的主分量，因此n个特征量对应n维的主分量，利用各个特征值的累计贡献度进行主分量的选取，累计贡献度R为：
.png)
当累计贡献度接近100%时，说明前k个主分量已经几乎包含了原始数据100%的信息量。因此使用前k行组成的矩阵乘以原始数据矩阵X，就可以实现数据降维。
2 滚动轴承状态评估
在轴承实际使用过程中，往往希望可以通过一个指标去代表轴承目前的状态，从而判断轴承的寿命，在这里引入“轴承健康度”去衡量轴承状态的一个量化指标。通过使用原始振动信号，并对其进行数据预处理，然后进行特征指标的选取和融合（主成分分析），通过融合指标自对比实现轴承健康度的评估。健康度是以提取的特征指标中的最大值与最小值为参照，计算特征指标与最大值、最小值间相对距离得到归一化至[0,1]范围内的健康度值。当轴承健康度为1，表示轴承状态较好，随着轴承状态变差，健康度逐渐下降。
3 实验实例分析
实验轴承为NU214 圆柱滚子轴承和6214深沟球轴承，在轴承上施加了28KN的径向载荷，转速为2700r/min。
3.1 数据预处理
零均值处理:轴承振动数据往往是服从正态分布的零均值随机信号。但在实际运用中，由于设备、工况、数采等原因，会出现信号直流偏置的现象，通常在计算特征指标前进行零均值处理，即使用原始信号减去其均值，保留动态部分。
滤波：由于传感器频响范围外低频性能的不稳定或者轴位环境的干扰，使其振动信号中存在一定的低频分量和直流分量，会影响振动数据分析，因此本次实验数据采用高通滤波，将信号中低频成分滤掉，减少数据分析中低频信号的干扰。
异常点剔除：由于外界干扰或者仪器自身干扰，信号中往往存在异常值，该值与理论值不符，对数据分析造成干扰，本文中使用3σ原则对异常点进行剔除。图中显示了异常点剔除前后数据对比。
3.2 特征提取
采用主成分分析法将多维指标融合，以累计贡献率大于90%确定主成分个数。通过各融合指标的最大值与最小值间差值distance1，以diatance1作为距离参照指标；计算各时刻下的特征指标与最小值间的差值distance2；接着通过“健康度= 1- diatance2/distance1”得出各时刻下的各融合指标对应健康度值，最后将所有融合指标的健康度值进行平均，得到最终的健康度曲线，如图1。
.png)
图1 轴承健康评估曲线
4 小结
本文通过对滚动轴承振动信号不同时域、频域特征指标的概述，对原始数据零均值、滤波、异常点剔除的数据预处理，减少影响分析的干扰信号，并提出基于主成分分析法的滚动轴承特征提取和融合，对原始信号的多维故障特征进行降维处理，根据贡献率大于90%确定主成分利用其欧式距离对轴承最终健康度进行评估。
参考文献：
[1]孙建；滚动轴承振动故障特征提取与寿命预测研究，2015.6.
[2]杨晓燕；滚动轴承振动信号的特征提取方法研究，2018.3.
[3]张龙龙；基于多健康状态评估大的滚动轴承剩余寿命预测方法研究，2014.06.