汪瑾，陈果，王洪伟,2，冯康佳，陈立波,2

(1.南京航空航天大学 民航学院，南京 210016；2.北京航空工程技术研究中心，北京 100076；3.清华大学 航天航空学院，北京 100084)

滚动轴承作为航空发动机关键零部件，运行在高温、高压、重载的严酷环境下，极易发生故障。轴承的寿命离散性大，工况复杂，失效形式多样，难以构造统一的失效模型。因此，针对航空发动机轴承，采集其运行过程中的振动信号并提取特征参数，动态评估轴承状态并进行故障诊断及剩余寿命预测，能够有效实施航空发动机轴承健康管理和故障预测(PHM)。

目前，相对于专家系统和神经网络技术，支持向量机理论在解决小样本、非线性及高维模式识别中表现出许多特有的优势，并能够推广应用到函数拟合等其他机器学习问题中，在轴承状态评估和故障诊断中得到了广泛应用，然而，标准支持向量机方法仅能够判断样本属于某类，无法给出属于某类的概率。而轴承状态评估则需要准确评估出轴承当前所处的状态，即需要知道轴承属于正常或异常状态的概率。后验概率支持向量机模型正好满足了轴承状态评估的需求，可将其用于航空发动机轴承状态评估研究。

首先，针对航空飞机广泛使用的军用E206轴承搭建试验台，进行故障状态评估试验。连续监控轴承从正常运行、早期故障和最终故障的多种特征信号，采用基于后验概率支持向量机算法对正常类和异常类样本进行机器学习，建立了特征参数和轴承退化状态之间的联系，揭示了轴承振动特征随故障发展的演变规律。……