1、 基于状态振动特征的空间滚动轴承可靠性评估方法研究重庆大学硕士学位论文（学术学位）学生姓名：陈昌指导教师：汤宝平教授专 业：机械电子工程学科门类：工学重庆大学机械工程学院二 O一四年五月Reliability Assessment Method for Space Rolling Bearing Based on Condition Vibration Feature A Thesis Submitted to Chongqing Universityin Partial Fulfillment of the Requirement for theMasters Degree of Engin
2、eeringByChen ChangSupervised by Prof. Tang BaopingSpecialty：Mechatronics EngineeringCollege of Mechanical Engineering of Chongqing University, Chongqing, China May 2014 中文摘要摘 要滚动轴承作为空间活动部件的重要组成部分，它的运行状态直接影响整个空间活动件的运行性能。实践表明，空间活动件的故障大多是出自其轴承的问题，但是在空间场合，由于轴承应用受到环境条件的限制，不可能采用备份来保证轴承的可靠性，所以轴承一旦出现问题，将导致整
3、个空间活动件的性能破坏。空间环境下的滚动轴承要承受低温和交变温度、原子氧侵蚀等极端环境的综合作用，极易造成空间滚动轴承的精度失效，加快空间滚动轴承的损坏。由于空间环境下轴承的失效机理与地面环境下的失效机理存在差异，因此为了保证空间活动件高可靠、长寿命运行，避免一些重大事故的发生，需在模拟空间环境下开展滚动轴承运行可靠度评估。传统的可靠度评估方法，将概率论和数理统计理论作为主要的数学工具，利用大量的具有概率重复性的失效样本，以确定失效分布类型，从而获得宏观意义上一批同类设备共性的平均可靠度。然而，对于空间滚动轴承而言，由于运行工况不同、转速不稳定等因素的影响，各个滚动轴承的损伤、故障程度不同，导
4、致其运行可靠度也必然不同。针对某个具体的空间滚动轴承进行运行可靠性评估是个性问题，而基于大样本条件并依赖概率统计数据得到的平均可靠度难以满足单个空间滚动轴承的运行可靠性评估要求。由于轴承的状态特征量能够提供可靠性评估的重要信息，因此，基于状态特征量的可靠性建模与分析技术是解决单个空间滚动轴承运行状态可靠性评估需求的一个重要途径。目前，反映轴承运行状态的特征量主要有三种，即摩擦力矩、振动和温度，由于摩擦力矩、温度等参数等不能有效反映空间滚动轴承寿命状态的变化，因此论文选用包涵空间滚动轴承寿命特征信息丰富的振动信号作为状态特征量以评估滚动轴承运行过程中的可靠度。比例故障率模型(Proportion
5、al hazardmodel, PHM)是其中一种最为常用的基于振动特征的可靠性评估模型，基于比例故障率模型的可靠性评估方法的关键是提取反映空间滚动轴承运行状态的特征指标及确定比例故障率模型的具体数学表达式，由实时获取的振动信号提取振动特征指标，评估空间滚动轴承的运行可靠度。同时，结合性能退化趋势预测理论，在已建立的比例故障率模型的基础上，实现空间滚动轴承的可靠度趋势预测，以确定滚动轴承在未来任意一段时间内的可靠度。具体内容安排如下：基于状态振 动特征的可靠度 评估技术首要解决的是特征指 标构建的问题，为此研究了基于多域特征融合的构建方法。提取时域、频域、时频域和威布尔分布特征信息组成高维多域
6、特征集，采用流形学习方法对多域特征进行维数约简，I重庆大学硕士学位论文以解决高维特征集之间存在的冲突、冗余问题，并将约简以后的特征信息作为趋势预测的特征指标及比例故障率模型的响应协变量。针对单个空 间滚动轴承运行状 态可靠性评估要求，同 时克服经典的可靠性分析方法存在的问题，提出了基于振动特征指标的比例故障率模型评估可靠度评估方法。将高维多域特征集维数约简后的特征信息作为比例故障率模型的响应协变量，采用极大似然函数原理估计模型的待定参数，建立空间滚动轴承状态特征指标与可靠度之间的数学模型，实现空间滚动轴承运行状态的可靠性评估。针对单个空 间滚动轴承可靠度 趋势预测问题，提出了基于性能退化 趋势
7、预测的空间滚动轴承可靠度趋势预测方法。将高维多域特征集维数约简后的特征信息作为最小二乘支持向量机的输入，训练并建立趋势预测模型，实现空间滚动轴承性能退化趋势预测。将趋势预测结果代入已建立的比例故障率模型中，即可实现空间滚动轴承的可靠度趋势的预测。在以上理论 的基础上，采用 C#为开发平台，研发空间滚动轴承性能退化趋势预测、运行可靠性评估等功能模块，通过应用对各模块进行检验，并对本文所提方法进行验证。关键词：空间滚动轴承，可靠性评估，PHM模型，退化趋势预测II英文摘要ABSTRACT The space rolling bearing is the key component in the s
8、pace motion mechanism,and its operating state directly affects the performance of the entire space motionmechanism. Practice show that the failures in space motion mechanism mostly comefrom the bearing failure. However, the bearing cannot ensure the reliability with thebackup because the application
9、 of bearing in the space occasions is limited. The spacebearing bears alternating temperature, the combined effects of the atomic oxygenerosion and other extreme environments, this condition can easily result in the failure ofaccuracy of the space rolling bearing and accelerate the space rolling bea
10、ring damage.In order to ensure the operating safety and reliability of space rolling bearing, and avoidmajor accidents, reliability evaluation for space rolling bearing are necessitated to studyin the vacuum.The traditional reliability assessment method, which used the probability theoryand the math
11、ematical statistics theory as the main mathematical tools, determined thefailure distribution of equipment and got average reliability of a number of equipmentwith the use of large amounts of repetitive failure samples. However, each of spacerolling bearings typically operates under different condit
12、ions and environments. Thedamage degree, the failure degree and the fault degree is varied. Therefore, operationalreliability is also bound to be different. Operational reliability assessment of thespecified rolling bearing is an individual problem. The average reliability, obtained byusing probabil
13、ity statistics method with large sample data, cannot fulfill therequirements of the operating reliability evaluation for single rolling bearing.Due to the state characteristics of bearing can provide important information forreliability assessment, based on state characteristics, the reliability mod
14、eling andanalysis techniques is an important way to solve the reliability evaluation need for asingle space rolling bearing. At present, the characteristics that reflect the state ofbearing are friction torque, vibration and temperature. However, the friction torque andtemperature can not effectivel
15、y reflect the changes in the state of space rolling bearinglifetime，therefore the paper chosen the vibration signal which indulgences the rich lifeevolution information to act as the state characteristics to assess the operating reliabilityfor rolling bearing. Proportional hazard models is one of th
16、e most commonly reliabilityassessment method which is based on condition vibration feature. The key of reliabilityIII重庆大学硕士学位论文analysis and evaluation based on condition vibration feature is to extract thecharacteristic indicators which can reflect the operating status of space rolling bearingand de
17、termine model between the characteristic indicators and reliability. Based on thecharacteristic indicators extracted by the real-time vibration data, the reliability ofrolling bearing can be assessed by the model. Meanwhile, combined with performancedegradation trend prediction theory, the reliabili
18、ty trend is predicted on the basis of theestablished proportional hazard model. The main works of this paper are as follows: The primary problem for reliability modeling and analysis based on conditionvibration feature is the problem of characteristic indicator construction; therefore, thepaper stud
19、ied the indicator construction methods based on the integration ofmulti-domain feature set. Time domain features, frequency domain features,time-frequency domain features and weibull feature is extracted to form themulti-domain feature set, and the manifold learning method is used to merge theorigin
20、al features and reduce the dimension, so it can solve the conflict and redundancyproblem between the feature set. Aiming to the operating reliability evaluation requirement of single rollingbearing, this paper proposes the weibull proportional hazard model reliabilityassessment method based on condi
21、tion vibration feature. This method can overcome theproblem that traditional reliability method can not evaluate the reliability of singleequipment. The extracted feature act as the weibull proportional hazard modelcovariates and the model parameter can estimate with the use of maximum likelihoodest
22、imation. The operating reliability can be assessed by the established model. Aiming to predict the reliability trend for space rolling bearing, this paperpropose the reliability trend prediction method based on performance degradation.Based on the extracted feature, the LS-SVM model is constructed a
23、nd trained foraccurately predicting the performance degradation trend. Then, the degradation trendresult is substituted into the established PH model so as to predict the reliability trend. On the basis of the above theory, trend prediction and operating reliabilityevaluation module is developed wit
24、h C# as the development platform and verified theeffectiveness and engineering application of the system by examples.Keywords: Space rolling bearing, Reliability Assessment, Proportional hazard model,Performance Degradation Trend PredictionIV目 录目 录中文摘要I英文摘要. III1绪论 . 11.1课题来源 . 11.2课题背景和研究意义. 11.3空间
25、滚动轴承可靠性评估的国内外现状 . 31.3.1特征提取方法研究现状 . 31.3.2退化趋势预测模型研究现状 . 51.3.3可靠性评估方法研究现状 . 61.3.4可靠性评估软件研究现状 . 71.4论文主要研究内容及结构安排 . 102空间滚动轴承特征指标提取. 132.1故障信息提取方法研究 132.1.1时域和频域特征提取方法 132.1.2时频域特征提取方法 . 152.1.3威布尔分布特征统计量 . 182.2基于多特征集融合的故障趋势指标的建立 . 192.3实例验证. 212.3.1 Cincinnati大学全寿命实例验证. 212.3.2空间滚动轴承实验验证 262.4本章
26、小结. 283空间滚动轴承运行状态可靠度评估. 293.1比例故障率模型 293.2威布尔比例故障率模型及参数估计 303.2.1威布尔分布 303.2.2威布尔比例故障率模型 . 303.2.3威布尔比例故障率模型参数估计 . 313.3运行状态可靠度评估流程. 323.4实验验证. 333.4.1 Cincinnati大学全寿命实例验证. 333.4.2空间滚动轴承实验验证 . 35V重庆大学硕士学位论文3.5本章小结. 364空间滚动轴承运行状态可靠度预测 374.1支持向量机理论 . 374.1.1支持向量理论. 384.1.2支持向量回归机原理及算法. 394.1.3最小二乘支持向量
27、机. 404.2性能退化趋势预测流程. 414.3可靠度趋势预测流程. 424.4实例验证. 434.4.1 Cincinnati大学全寿命实例验证 434.4.2空间滚动轴承实验验证 474.5本章小结. 485空间滚动轴承可靠性评估模块设计 495.1系统总体设计 . 495.1.1需求分析 495.1.2总体设计 505.2模块功能结构. 515.3实例验证. 555.4本章小结. 586总结与展望 596.1总结. 596.2后续研究工作与展望. 60致 谢 61参考文献 63录. 69附A.作者在攻读硕士学位期间发 表的论文目录 69B.作者在攻读硕士学位期间参与的科研 项目 69V
28、I1绪 论1 绪论1.1课题来源本文得到国家自然科学基金项目（批准号： 51275546）和民用航天预研项目（批准号：JW20*26012）的资助。1.2课题背景和研究意义空间技术在现代科学研究和工程领域占有十分重要的地位，在过去的几十年内，空间技术有了飞速的发展，为推进全人类经济发展和社会进步发挥了巨大的作用。然而，在美、欧、俄等宇航巨头的宇航实践中，出现了很多空间活动件故障导致整个空间任务失败的例子1-3 。从这些故障实例中，可以充分认识到提高活动件的性能、寿命和可靠性对整个飞行器的重要性。为此，许多国家建立了专门的研究机构，例如 NASA的 Glenn研究中心4、ESA的 ESTEC空间
29、摩擦试验室5等，对空间机构活动件的高可靠、长寿命开展长期、深入的研究。然而，随着航天器在轨应用寿命的不断提高、卫星研制密度的不断加大，也面临着如何进一步提高空间活动件高可靠、长寿命的问题6。空间滚动轴承是空间活动件中重要的组成零部件，滚动轴承的运行状态会直接影响整个空间活动件的运行性能。据统计，一颗人造卫星上装有许多滑动和滚动轴承，其中包含的滚动轴承多达 50多个7。处于空间环境下的滚动轴承要承受低温和交变温度、原子氧侵蚀、微尘冲刷等极端恶劣环境的综合影响，极易造成空间滚动轴承的损坏，破坏空间滚动轴承的精度。然而，由于空间场合下的轴承受到应用环境的限制，空间滚动轴承不可能更换，也不可能采用备份
30、的方式以保证轴承的可靠性，因此一旦轴承出现问题，将导致整个空间活动部件的性能失效8。空间活动件质量和性能的竞争主要体现为其可靠度的竞争，因此为了保证空间活动件高可靠、长寿命运行，避免一些重大事故的发生，必须对空间滚动轴承在运行过程中的可靠度进行评估，以便进一步提高其可靠度。由于空间环境与地面常规环境之间存在较大的区别，地面测试得到的轴承运行特性并不能全面展现轴承在空间环境下的运行性能，因此，需要在地面模拟空间环境下开展空间滚动轴承的可靠性评估研究。传统的可靠性评估方法，将概率论和数理统计理论作为主要的数学工具，利用大量的具有概率重复性的失效样本，确定失效分布类型，得到宏观意义上一批同类设备共性
31、的平均可靠度。然而，由于运行工况不同、转速不稳定等因素的影响，各个滚动轴承的损伤、故障程度不同，导致其运行可靠度必然不同。针对某1重庆大学硕士学位论文个空间滚动轴承进行运行可靠度的评估是个性问题，而基于大样本条件并依赖概率统计数据得到的平均可靠度难以满足单个空间滚动轴承的运行可靠度评估的需求。由于轴承的运行状态特征量能够提供可靠性评估的重要信息，因此，基于运行状态特征量的可靠性建模与分析技术是解决单个空间滚动轴承运行状态可靠度评估需求的一个重要途径。现有的空间滚动轴承测试状态监测量主要是摩擦力矩、振动和温度这三种类型，这三个特征量在测试方法和空间滚动轴承运行状态的展示方面存在一定的差异。摩擦力
32、矩包含的可靠度特征信息比较单一，对早期故障的敏感度不高，而温度监测由于对环境条件的要求极高，主要是作为一种辅助监测手段。振动信号包含的信息比较丰富，空间滚动轴承的运行状态信息在振动信号中均有所体现，因此选用空间滚动轴承的振动信号作为其运行状态特征量以评估空间滚动轴承的运行可靠度。比例故障率模型(Proportional hazard model, PHM)是其中一种最为常用的基于状态振动特征的可靠性评估模型，该模型的优点在于可以将滚动轴承振动信号的统计特征量如均方根值、峭度等作为响应协变量与可靠度之间建立数学模型，使滚动轴承的可靠度能够在基于状态监测数据的基础上得到更新。比例故障率模型虽然能够
33、满足单个空间滚动轴承运行可靠度评估的要求，但在实际应用中还有以下几个问题需要解决：基于比例故障率模型进 行可靠度评估的首要条件是提取能全面反映 设备退化状态的特征指标，并将特征指标作为模型的响应协变量以评估设备的运行可靠度。然而，由于空间滚动轴承故障特征十分微弱，且空间飞行器结构复杂的特点，使得其特征信息呈现出非线性的特点，导致滚动轴承的特征信息比较难以准确提取，单纯依靠单个指标、单域指标或者几个指标构成的状态特征信息难以全面反映轴承的运行状态。比例故障率模型虽能根据 滚动轴承的实时运行状 态特征信息更新其运行可靠度，但在无法获取未来一段时间内状态监测数据的前提下，不能评估滚动轴承未来任一时刻
34、或任意一段时期内的运行可靠度，无法估计空间滚动轴承的剩余寿命，这在很大程度上增加了空间活动件的事故发生率。综上所述，本文以空间滚动轴承为研究对象，提取滚动轴承特征指标，通过比例故障率模型建立空间滚动轴承振动特征与运行状态可靠度之间的数学模型，实现单个空间滚动轴承的可靠性评估。同时，为评估空间滚动轴承未来运行状态下的可靠度，通过构建人工智能预测模型预测滚动轴承的退化趋势，根据趋势预测结果及已建立的比例故障率模型，评估空间滚动轴承在未来一段时间内的可靠度。在保证可靠性评估精度的基础上，研发一套关于空间滚动轴承退化趋势预测、运行可靠度评估、人机交互等功能模块。21绪 论1.3空间滚动轴承可靠性评估的
35、国内外现状空间滚动轴承的可靠性评估对提高空间活动件运行可靠性、保障空间活动件长期稳定运行等方面具有重要的意义。通过对空间滚动轴承的可靠性评估，实时了解滚动轴承的运行状态、退化趋势及剩余寿命，为后续空间活动件的设计、制造、试验和应用提供理论支撑。因此，开展空间滚动轴承的可靠性评估研究具有非常重要的意义，下面从特征提取、退化趋势预测模型、可靠性评估方法及软件等方面分析国内外的研究现状。1.3.1特征提取方法研究现状基于状态振动特征的可靠性评估技术首要解决的是特征指标提取的问题，对于空间活动件而言，其故障特征与其他旋转机械的故障特征具有相通性，各零部件之间存在耦合振动，且振动都表现为非高斯、非平稳性
36、，因此可以将其他机械领域的特征提取技术应用到空间滚动轴承当中。时域分析是最为常用的特征提取方法，通过采集时域振动信号，计算其时域特征量，如 Tomasz Bzrszcz等通过谱峭度函数实现行星齿轮裂纹故障和轴承故障的检测9；Liao H等人将均方根 值和峭度作为评估指标，预测轴承的剩余寿命10。频域分析方法在处理振动特征提取方面也具有良好的效果，其中 FFT是最基本的频域分析方法。通过 FFT将时域信号变换到频域， 计算频谱能量的特征值，如 YuJ、Huang R11-12等人将轴承的不同类型故障特征频率所对应的幅值能量的最大值与频谱能量平均值的比值作为特征指标进行轴承故障识别。由于空间滚动轴
37、承故障信号具有非线性特点，而传统的时域分析和频域分析方法只适用于平稳、线性信号的分析，因此单纯依靠时域分析和频域分析提取特征指标，会存在评估能力不足的问题。为了更有效地提取状态特征信息，许多时频分析方法被广泛研究并应用到工程实际当中，如 Watson等提出利用小波对风电机组发电机和齿轮箱中的轴承故障进行预测13；Baoping Tang等提出基于 Morlet小波和 WVD 分布的风电 机组传动系统故障识别方法 14解和 BP神经网络对齿轮箱故障 进行识别15程度会导致振动能量结构发生变化，用小波包分解 16；龙泉等提出利用小波分。空间滚动轴承不同的故障类别或故障可以将振动信号分解到独立的、任
38、意精细的频带上，并结合信息熵理论提取小波包熵以作为表征空间滚动轴承运行状态的特征量。Jimnez G A等人指出对振动数据作统计分布模型分析可以避免出现故障类型误诊断的现象 17，文献17-19分别提取威布尔分布的均值、方差及极大似然函数负值作为状态特征信息识别轴承故障及故障类型，能较好地刻画轴承的运行状态。不同的特征提取方式均有其各自的优缺点，并不适合于任何状态下空间滚动轴承的特征提取。由于空间滚动轴承故障特征微弱，故障类型较多，仅通过单一3重庆大学硕士学位论文时域或频域分析很难提取到能全面反映滚动轴承的故障特征，因此需要采取不同的分析方法提取多个振动特征组成多域高维特征集，以便于更加全面反
39、映滚动轴承的振动状态，如 Baoping Tang等提取混合时频域特征对风电机组传动系统进行故障诊断20-21 ；YANG Zhi-Ling等人基于小波包能量特征集提取 齿轮箱故障特征并进行风电机组故障诊断22 ；奚立峰等采用时域分析方法和频域分析方法提取球轴承故障特征并进行球轴承故障诊断 23 。然而，多域高维特征使得特征空间越来越大，维数越来越高，部分特征之间存在特征冗余、冲突等问题，降低预测模型的预测精度和性能。针对这个问题，一个有效的方法是对多域特征信息的进行维数约简，去除冗余信息，以获得一个有效的衰退性能指标，提高性能退化趋势预测的准确性。维数约简是将原来的高维多域特征通过某种变换，
40、降低其维数获得新的特征。维数约简能在保持原特征完整性的同时，降低特征维数，减少后续过程的计算量，提高数据挖掘效率，且挖掘出来的结果与原有特征集处理的结果基本保持一致。传统的线性维数约简方法包括主成分分析（Principle Component Analysis, PCA）24、独立分量分析（Independent Component Analysis，ICA ）25、线性判别分析（LinearDiscrimination Analysis，LDA ）26、高维尺度分析（Multidimensional Scaling，MDS）27、奇异值分解等等。然而，在工程实际当中，提取的多域高维特征集之间
41、是非线性的关系，采用线性维数约简会忽略非线性特征集之间存在的一些特征。目前研究的非线性维数约简方法包括基于核的方法和基于流形学习的方法，基于核的方法有核主分量分析(Kernel Principle Component Analysis, KPCA)28，核独立分量分析(Kernel Independent components analysis, KICA)29等。然而，基于核的非线性维数约简方法效果取决于核函数的合适与否，在实际应用中核函数的选择往往是凭借人的经验来选择，从而限制了该方法的使用范围。流形学习是一种典型的非线性维数约简方法，其基本思想是：高维观测空间中的点是由少数独立变量共同作
42、用在观测空间张成的一个流形，在尽可能地保证数据间几何关系和距离测度不变的前提下，有效地展开观测空间卷曲的流形来发现内在的主要变量，实现对数据集的约简。经典流形学习方法有局部线性嵌入(Local linear Embedding, LLE)算法30，等距映射(Isometric map, Isomap)算法 31拉普拉斯特征映射(Laplacina Eigenmap, LE) 算法32发展了许多新的流形学习方法，比如 Hessian局部线性嵌入(Hessian Locally LinearEmbedding, HLLE)33、局部保持映射(Locality Preserving Projecti
43、on, LPP)34切空间排列(Local tangent space Alignment, LTSA) 35了相关的研究，如袁远等人基于非线性降维 Isomap算法提出了一种新的大规模基，。随着对流形学习的深入研究，和局部。国内学者对流形学习也进行因表达谱聚类算法36 ；清华大学马瑞等人提出了基于局部线性嵌入非线性降维的41绪 论多流形学习方法37 。随着流形学习研究的不断深入，其应用的范围变得更加广泛。目前，流形学习在人脸识别、手写数字辨识、文本分类等方面已取得了一定成果。然而，在面向机械设备趋势预测的流形学习研究成果较少，如 Dong S等提出给予局部切空间排列的滚动轴承退化趋势预测方法
44、，运用基于局部切空间排列的非线性维数约简方法对原始高维特征集进行维数约简，实现滚动轴承退化趋势预测 38 。虽然现在流形学习在趋势预测中的研究还不是很多，但现有的流形学习的研究成果为空间滚动轴承的性能退化趋势预测提供了新的解决办法。1.3.2退化趋势预测模型研究现状空间滚动轴承性能退化趋势预测是进行可靠度预测的前提，将趋势预测结果代入已建立的可靠性评估模型，即可实现空间滚动轴承的可靠度变化趋势。退化趋势预测模型可以主要分为统计学预测模型、基于断裂力学方法的预测模型及人工智能预测模型39 。统计学预测模型是假定产品的特性是“非好即坏” ，分析 过程中不区分运行状态的好坏与严重程度。另外，统计学预
45、测模型需要建立在大量的失效统计数据的基础上，其分析的结果具有整体的“平均属性” ，并不能反映个体的微 观差异。所以，统计学预测模型不适合于空间滚动轴承的性能退化趋势预测研究。基于断裂力学方法的预测模型是性能退化趋势预测模型的一个重要发展趋势，这类模型取决于裂纹萌生、裂纹发展直至断裂的过程，应用断裂力学的方法和裂纹扩展的理论进行分析。裂纹扩展模型(crack growth modeling ) 是应用非常广泛的物理模型，Y. Li等建立了轴承滚动元件的缺陷增 长率与当前缺陷大小及材料参数之间的关系40-41 ；Oppenheimer和 Loparo运用线弹性断裂力学建立转子轴的裂纹扩展模型42
46、。然而，在机械运行的过程中，零部件当前的缺陷面积的大小是很难获得的39 ，限制了该预测方法的应用。同时，基于断裂力学方法的预测模型偏重于理论研究，建模比较困难，模型获取的预测值和真实值之间差别较大，因此，基于断裂力学方法的预测模型很难满足空间滚动轴承性能退化趋势预测研究的需要。人工智能预测模型的基本思想是根据空间滚动轴承前期的及当前的振动特征信息，挖掘其内部规律，建立对应的预测模型，并能够根据训练信息的变化不断调整预测模型结构，从而获得更加准确的预测效果。由于空间滚动轴承的运行状态通常是连续变化的，轴承从出现故障到最后失效总是有迹可循的，因此，可以采用基于人工智能的预测方法，在提取当前振动信号
47、特征信息的基础上，及时了解空间滚动轴承的运行状态，实现性能退化趋势预测。相比于统计学方法和理论力学模型，基于人工智能的预测方法不仅可以避免对空间滚动轴承物理模型的研5重庆大学硕士学位论文究，而且还可以减少统计学方法对失效样本数量的需求，因此该方法更加适合于空间滚动轴承的性能退化趋势预测。人工神经网络(artificial neural networks, ANN)和支持向量机(support vector machine, SVM) 是目前应用最广泛的两种人工智能理论。人工神经网络是一种模仿生物神经网络的结构和功能的数学模型或计算模型，在机械设备趋势预测中得到广泛的应用。潘紫微等 43 通过神
48、经网络模型的多次迭代实现轴承状态趋势的预测。Tian Z.G 等44 建立了基于神经网络模型的剩余寿命预测模型，通过利用失效数据和截止数据对模型进行训练，有效的预测了轴承的剩余寿命。Yan J等45 提出基于神 经网络模型的预测模型，并获得了较好的效果。Heng A等46 基于神经网络模型研究了轴承的可靠性，对于轴承的寿命进行了预测。然而，人工神经网络存在网络结构难以确定、收敛速度慢、容易陷入局部极小而无法得到全局最优解、容易出现过学习与欠学习等问题，因而在一定程度上限制了人工神经网络的应用范围。SVM是 VAPNIK提出的基于结构风险最小化原理的新型学习机制47，以训练误差作为优化问题的约束
49、条件，以置信范围值最小化作为优化目标，因而其能够有效地避免神经网络算法中存在的难题，具有更好的泛化能力，在金融、控制、预测等领域得到了广泛的应用。申中杰 48的剩余寿命模型；宋梅村 49型，在预测精度上优于神经网络、灰色模型、灰色-AR 模型。Widodo A等50等利用多变量支持向量机建立滚动轴承等利用支持向量回归机建立滚动轴承故障趋势预测模建立了基于 SVM的轴承剩余寿命 评估模型。支持向量机在小样本、非线性、高维等数据空间下具有较好的泛化能力，因此，论文选用支持向量机构造退化趋势预测模型，以获得准确、稳定的趋势预测结果。1.3.3可靠性评估方法研究现状空间滚动轴承的可靠性评估对于保证空间活动件的高可靠、长寿命运行具有重要的意义。传统的可靠性评估方法，将概率论和数理统计理论作为主要的数学工具，利用大量的具有概率重复
