随机矩阵理论和主成分分析融合的滚动轴承性能退化评估方法

为解决传统特征提取方法处理轴承高维监测数据时会造成部分有用信息损失及现有轴承性能退化状态指标难以精确表征实际运行状态的问题,提出了一种随机矩阵理论(RMT)和主成分分析(PCA)相融合的滚动轴承性能退化评估方法(RMT-PCA)。首先,通过平移时间窗对滚动轴承监测数据进行信息锁定,并构造出随机矩阵模型;其次,利用随机矩阵理论中的单环定理及M-P定律进行矩阵特征分解与提取,构造出14个特征指标;最后,基于PCA算法对多个特征指标进行融合,提取贡献率较大的主成分构造出融合特征指标用于轴承性能退化评估。采用美国IMS轴承全寿命数据进行实验研究,结果表明:与基于最大最小特征值之比指标的异常检测算法相比,RMTPCA方法可提前12.5h检测出轴承的早期异常;与分层狄利克雷过程-连续隐马尔可夫模型相比,RMT-PCA方法在对早期异常点和严重故障点的检测结果与前者基本相同,但其融合指标能够更清晰地反映出轴承在中期和严重退化阶段"愈合现象"的发生。