根據(jù)軸承知識得軸承運行時的振動信號是典型的非線性非平穩(wěn)時間序列，對其建立時變自回歸參數(shù)模型，可以較好地表征軸承振動的非平穩(wěn)特征。運用軸承知識在對軸承振動信號時變自回歸模型的時變參數(shù)進(jìn)行大量實驗分析研究的基礎(chǔ)上，提取均值作為表征軸承運行狀態(tài)的特征參數(shù)，并輸入支持向量機分類器進(jìn)行故障識別與分類，實現(xiàn)滾動軸承的智能故障診斷。實驗結(jié)果表明，該故障診斷方法可以有效準(zhǔn)確地識別滾動軸承的運行狀態(tài)。

     滾動軸承是旋轉(zhuǎn)機械中應(yīng)用最廣泛的零部件之一，軸承工作狀況的好壞決定著機器能否正常工作。統(tǒng)計顯示，旋轉(zhuǎn)機械設(shè)備的功能失效有是由軸承故障引起的，因此，對滾動軸承進(jìn)行故障診斷具有十分重要的意義。軸承運行時的振動信號是典型的非線性非平穩(wěn)時間序列，很難用一個完全確定的數(shù)學(xué)函數(shù)來表達(dá)。因而對軸承進(jìn)行故障診斷常通過提取振動信號的特征參數(shù)并建立其與運行狀態(tài)之間的關(guān)系來實現(xiàn)。時間序列分析通過將觀測數(shù)據(jù)擬合為一個參數(shù)模型，實現(xiàn)對系統(tǒng)動態(tài)特征與內(nèi)在結(jié)構(gòu)關(guān)系的近似描述常用的時間序列參數(shù)模型，如 自 回 歸 模型、滑動平均模型和自回歸滑動平均模型等，都是在假定數(shù)據(jù)序列為平穩(wěn)的條件下建立的，在實際應(yīng)用中存在一定的局限性。時變參數(shù)模型因其具有較高的非平穩(wěn)信號時頻分布分辨率而受到普遍關(guān)注時變自回歸 模型是目前應(yīng)用最多的一種時變參數(shù)模型，通過對滾動軸承振動信號的模型求取的時頻譜進(jìn)行奇異值分解，提取奇異值作為特征參數(shù)，對轉(zhuǎn)子系統(tǒng)振動信模型，提取其基函數(shù)的組合權(quán)值作為特征參數(shù)，實現(xiàn)了對旋轉(zhuǎn)機械的狀態(tài)監(jiān)測和故障診斷。目前，直接提取振動信號模型的時變參數(shù)作為反映機械設(shè)備運行狀態(tài)特征參數(shù)的研究還不多見。通過對軸承振動信號的模型的時變參數(shù)進(jìn)行大量實驗研究分析，發(fā)現(xiàn)時變參數(shù)能有效利用信號的時頻分布信息，較好地表征非平穩(wěn)信號的動態(tài)特征。為此，提出一種基于時變自回歸參數(shù)模型的滾動軸承智能故障診斷方法。