摘要：滚动轴承在制造和装配等过程中存在不确定性因素，导致滚动轴承健康指标初始退化程度不一致，对早期故障不敏感。针对此问题提出了一种基于数据驱动方法和负时间序列主成分分析法（PCA）的表征滚动轴承退化性能的健康指标构建方法。首先，基于数据驱动方法从轴承的原始振动数据中提取16个表征轴承各退化阶段所有故障信息的时域特征；然后，使用均值化方法对特征数据进行降噪，基于标准化方法统一量纲；最后，利用负时间序列的主成分分析法构建轴承的健康指标。通过在实验数据中的应用，并与有效值（RMS）指标进行对比，结果表明负时序指标均先于RMS指标发现早期故障，验证了此方法的有效性。

　　关键词：滚动轴承；健康指标；数据驱动；主成分分析（PCA）

　　0引言

　　滚动轴承是现代机械设备中关键的零部件之一，其运行状态直接影响了机械设备能否安全、可靠运行[1]。所以构建表征滚动轴承性能退化状态的健康指标在工程实践中具有重要意义[2]，其目的是有效地监测、评估和预测滚动轴承的健康状态，从而提高设备的可靠性和安全性，减少停机时间和维修、运营成本，实现预防性维护，延长设备使用寿命。随着传感器技术、信号处理技术和数据分析方法的不断进步，基于数据驱动[3]构建滚动轴承性能退化健康指标，可以更准确、有效地表征滚动轴承的全寿命退化过程，具有重要研究意义。

　　构建滚动轴承性能退化指标前，需要选择、提取传感器信号的有效特征。针对此问题，Chen等[4]提出了一种在训练数据较少的前提下，纯数据驱动的特征提取方法，提取了频域的5个带通能量作为特征。王等[5]先对原始振动信号进行了快速傅里叶变换，然后将处理后的频域幅值进行归一化处理，最后将其作为CNN的输入信息学习并提取信号的深层信号特征。Tubishat等[6]提出了蝴蝶优化算法的改进版本来进行特征提取，该算法改善了原BOA算法停滞与局部最优解和缺乏多样性的问题，该算法可以保留较多的有效原始数据。刘等[7]利用轴承的原始振动信号，提取了时域与频域的多个特征，然后基于距离评估的特征提取方法，筛选得到了更好的特征参数。上述作者所使用的特征提取方法，仅在单一维度或少数维度进行了特征提取，在提取过程中难免忽略了部分信号的重要信息，造成信息利用率不高的问题。

　　对于构建滚动轴承性能退化的健康指标的问题，黄海风等[8]采用盲源分离方法降噪后的信号，提取了轴承振动信号的峭度指标作为轴承的退化指标。Wang等[9]将优化后的马尔可夫模型与门控单元结合，对轴承原始振动数据去噪并提取了时频域特征，然后将提取的特征信号通过HMM方法构建了健康指标。Kim等[10]基于HP-LNG轴承的实际振动数据，提取了均方根熵值，然后利用支持向量机建立了表征轴承退化性能的健康指标。张龙等[11]基于排列熵方法，通过计算原始振动数据的RMS、PE以及EER，并进行敏感性分析，提出了熵能比法来作为轴承性能退化健康指标。Li等[12]基于Soa-SVM方法，提取了多维时域轴承故障振动信号的特征向量，然后对多维向量进行了降维处理，减少了原始信号的信息冗余，最后采用松鼠优化算法建立了轴承健康指标。上述文献对从轴承原始振动信号中的提取的特征进行了进一步研究，通过对数据进行降维，融合以及采用深度学习算法挖掘深层数据特征来建立健康指标，但是忽视了轴承由于制造、装配等随机性造成轴承初始退化程度不一样的问题。

　　多维时域指标能够有效地表征轴承的全寿命各个阶段退化趋势，针对特征提取问题，本文提取了16种时域特征，这些特征反映的故障类型基本涵盖了轴承退化的所有阶段，能够较好地表征轴承的退化过程。针对滚动轴承性能退化的健康指标构建问题，本文考虑了轴承初始退化程度的随机性问题，使用一种基于负时间序列的主成分分析法（PCA）来构建健康指标。

　参考文献：

　　[1]LI S,CHEN Z,LIU Q,et al.Modeling and analysis of performance degradation data for reliability assessment:a review[J].IEEE Ac⁃cess,2020,874648-74678.

　　[2]罗鹏,胡茑庆,沈国际,等.基于1DDCNN和PCA信息融合的滚动轴承FLHI智能提取方法[J].振动与冲击,2021,40(8):143-149.LUO P,HU N Q,SHEN G J,et al.An intelligent extraction meth⁃od of the full life health indicator of rolling bearings based on one-dimensional deep convolutional neural network and princi⁃pal component analysis[J].Journal of Vibration and Shock,2021,40(8):143-149.

　　[3]CHENG C,GUIJUN M,YONG Z,et al.A deep learning-based re⁃maining useful life prediction approach for bearings[J].IEEE/ASME Transactions on Mechatronics,2020,1-1.

　　[4]CHEN Y,PENG G,ZHU Z,et al.A novel deep learning method based on attention mechanism for bearing remaining useful life prediction[J].Applied Soft Computing,2020.

　　[5]王玉静,李少鹏,康守强,等.结合CNN和LSTM的滚动轴承剩余使用寿命预测方法[J].振动.测试与诊断,2021,41(3):439-446.WANG Y J,LI S P,KANG S Q,et al.Method of predicting re⁃maining useful life of rolling bearing combining CNN and LSTM[J].Journal of Vibration,Measurement&Diagnosis,2021,41(3):439-446.

　　[6]TUBISHAT M,ALSWAITTI M,MIRJALILI S,et al.Dynamic but⁃terfly optimization algorithm for featureselection[J].IEEE Access,2020,8:194303-194314.

　　[7]刘蕴哲,胡金海,任立通,等.基于特征选择与概率神经网络的轴承故障诊断研究[J].机械传动,2016,40(10):48-53.

　　[8]黄海凤,高宏力,李丹,等.滚动轴承早期性能退化评估技术研究[J].机械科学与技术,2017,36(11):1771-1777.

　　HUANG H F,GAO H L,LI D,et al.Study on evaluation of incip⁃ient performance degradation of rolling bearings[J].Mechanical Science and Technology for Aerospace Engineering,2017,36(11):1771-1777.

　　[9]WANG S,CHEN J,WANG H,et al.Degradation evaluation of slewing bearing using HMM and improved GRU[J].Measurement,2019,146385-395.

　　[10]KIM H,TAN C A,MATHEW J,et al.Bearing fault prognosis based on health state probability estimation[J].Expert Systems With Applications,2011,39(5):5200-5213.

　　[11]张龙,吴荣真.滚动轴承性能退化评估的自适应频带熵能比指标[J].振动与冲击,2021,40(2):63-71.

　　ZHANG L,WU R Z.Performance degradation assessment of rolling bearings based on the entropy energy ratio of adaptive frequency band[J].Journal of Vibration and Shock,2021,40(2):63-71.

　　[12]LI Xiao,AN Songyang,SHI Yuanyuan,et al.Remaining Useful Life Estimation of Rolling Bearing Based on SOA-SVM Algo⁃rithm[J].Machines,2022,10(9):729-729.

　　[13]XI Zhimin,JING Rong,WANG Pingfeng,et al.A Copula-based sampling method for data-driven prognostics and health man⁃agement[C]//2013 IEEE Conference on Prognostics and Health Management(PHM),24-27 June 2013,Gaithersburg,MD,USA.New York:IEEE,2013.

　　[14]FOSTER P.Exploring multivariate data using directions of high density[J].Statistics&Computing,1998,8(4):347-355.

　　[15]KHANH LE SON A,MITRA FOULADIRAD A,ANNE BAR⁃ROS A,et al.Remaining useful life estimation based on stochas⁃tic deterioration models:A comparative study[J].Reliability En⁃gineering&System Safety,2013,112(4):165-175.

　　[16]陈强,蓝希先,刘祥洁.基于PCA-RF算法的大数干扰信号识别[J].机电工程技术,2023,52(8):176-180.

　　CHEN Q,LAN X X,LIU X J.Recognition of large number inter⁃ference signals based on PCA-RF algorithm[J].Mechanical&Electrical Engineering Technology,2023,52(8):176-180.

　　[17]赵申坤,姜潮,龙湘云.一种基于数据驱动和贝叶斯理论的机械系统剩余寿命预测方法[J].机械工程学报,2018,54(12):115-124.

　　ZHAO S K,JIANG C,LONG X Y.Remaining useful life estima⁃tion of mechanical systems based on the data-driven method and Bayesian theory[J].Journal of Mechanical Engineering,2018,54(12):115-124.

　　[18]NECTOUX P,GOURIVEAU R,MEDJAHER K,et al.PRO⁃NOSTIA:An experimental platform for bearings accelerated　degradation tests[C]//IEEE International Conference on Prognos⁃tics and Health Management.New York:IEEE,2012.

　　[19]张龙,张号,周建民,等.采用显式动力学的轴承性能退化评估指标构建[J].西安交通大学学报,2022,56(8):11-21.

　　ZHANG L,ZHANG H,ZHOU J M,et al.Construction of bear⁃ing performance degradation assessment indicator using explicit dynamics[J].Journal of Xi’an Jiaotong University,2022,56(8):11-21.