朱 朔 白瑞林 刘秦川

江南大学轻工过程先进控制教育部重点实验室,无锡,214122

0 引言

滚动轴承作为机械设备中的关键部件，其运行状态会影响到整台设备的运行性能。据统计，约30%的旋转机械故障是由滚动轴承损伤所造成的[1]，这些故障会造成昂贵的停机损失，甚至是人员伤亡。由此，对轴承的健康状态进行评估，使设备接近或达到零停机状态，具有重要的意义。

支持向量数据描述(support vector data description, SVDD)算法是受支持向量机(support vector machine, SVM)启发，基于统计学理论的全新数据描述方法。由于SVDD算法在应用中具有仅需要少量正常状态数据建模等优点，故许多学者将其应用到轴承性能退化评估领域。SVDD评估模型的准确性和及时性取决于其非线性处理能力，而非线性处理能力是通过“核映射”的方法实现的。高斯核函数是目前使用最多的核函数。PAN等[2]采用改进的小波包分解方法提取轴承振动信号的节点能量，以节点能量为特征向量建立基于高斯核函数的SVDD评估模型。ZHOU等[3]提出了一种基于提升小波包符号熵与SVDD相结合的滚动轴承性能退化评估方法。WANG等[4]针对获得的振动数据具有非平稳、非高斯的性质，提出了基于双谱分析法与SVDD方法相结合的轴承性能退化评估方法。以上研究在一定程度上实现了轴承的性能退化评估，但由于轴承数据具有多模态性，高斯核函数并不能逼近该空间上的任意分界面，导致评估精度和及时性受到很大影响，且不能反映出信号的局部信息[5]。

针对上述问题，需要寻找具有良好非线性映射能力的核函数。……