随着现代机械设备的快速发展,机械结构日趋复杂化,机械设备在服役过程中,零部件的运行状态是一个从正常状态到失效的过程。滚动轴承作为旋转机械重要且极易损坏零部件,其运行状态健康与否将影响着整个设备的稳定和安全,因此,有效的滚动轴承故障诊断方法和性能退化评估需求尤为迫切。研究滚动轴承的故障诊断和性能退化评估,对提高机械的工作效率、节约维护成本具有十分重要的意义;而且如果能够实时监测轴承的运行状态就可以预防轴承故障的发生,从而避免或减少不必要的经济损失。本文以滚动轴承为研究对象,采用自回归模型(AR)的方法对滚动轴承的振动信号进行特征提取,然后用Fisher比进行特征选择,最后再用可拓学理论对滚动轴承故障智能诊断和性能退化评估,具体工作内容如下:(1)针对传统的时域特征提取方法存在提取特征信息困难、监测效果不足等问题,本文对滚动轴承不同健康状态类别数据建立AR模型,并提取AR模型的系数和残差作为特征,然后用Fisher比对特征进行选择,最后将选择后的特征组成的特征向量输入到模式识别的可拓模型中进行故障智能诊断,并通过实验加以验证。(2)可拓学虽然在解决矛盾问题方面具有独特优势,但目前研究还在探索阶段,理论体系不够完善,对于复杂的非线性问题也没有有效的解决方案,而神经网络是处理非线性问题的主要工具。针对可拓学在故障诊断中不足,本文在传统可拓学的基础上进行改进,将可拓学与神经网络相结合,充分发挥各自的优势。因此,提出基于可拓神经网络的滚动轴承故障智能诊断,首先对滚动轴承振动数据建立AR模型,提取AR模型的系数和残差,并以其作为特征,然后用Fisher比对特征进行选择,最后将最终选择后的特征组成的特征向量输入到可拓神经网络中进行故障诊断识别,并对所提方法进行实验验证。(3)将可拓理论引入轴承性能退化评估。并利用AR和Fisher比值构成特征向量,将这些特征向量提供给用轴承正常状态样本训练的可拓模型。被测样本与正常条件下的可拓模型之间的相关程度,有望描述与正常条件下的相似性,从而作为健康指标。通过经验模型分解(EMD)和希尔伯特变换,进一步验证了所提出的健康指数对实验数据的最早期故障检测。