CN103954450A - 基于主成分分析的轴承寿命退化性能评估指标构建方法 - Google Patents

Abstract

本发明提出了一种基于主成分分析的滚动轴承寿命退化性能评估指标构建方法，先将每次采集到的轴承退化过程全寿命振动数据进行时域、频域和时频域特征提取，从而全面的提取轴承的退化趋势特征。再通过主成分分析算法将这些原始特征进行加权融合，实现特征约简，约简后的特征指标具有最大化的表征滚动轴承的状态信息，又有效的消除了原始多维特征信息间冗余的特点，从而有效地构建了基于特征空间加权融合的滚动轴承寿命退化性能评估指标，克服了传统的评估指标对于早期故障不敏感，普适性不强的缺点，能够较好的表征轴承的退化趋势。

Description

基于主成分分析的轴承寿命退化性能评估指标构建方法

技术领域

本发明涉及信号处理技术领域，具体涉及一种基于主成分分析的轴承寿命退化性能评估指标构建方法。

背景技术

基于信号处理方法的轴承寿命预测技术是随着现代信号处理技术的发展而发展起来的一项轴承状态评估技术，它是通过研究轴承在运行过程中或在失效之前的振动信号特征来构建退化性能评估指标，从而通过一定的模型来预测轴承后期性能的发展趋势，进而实现预测滚动轴承的寿命。在这过程中，有效的轴承退化性能评估指标是能否实现轴承性能准确判定的关键。其研究的内容涉及信号处理技术、人工智能、电子技术、统计数学、计算机科学、轴承系统动力学等多方面的内容，其中最主要的方法，是依据轴承动力学失效机理，对轴承的振动信号进行处理，尽可能的挖掘轴承失效过程中的特征信息，从而建立轴承寿命退化性能评价指标，表征轴承的退化趋势。但实际测取的信号往往是非线性、非平稳信号，轴承的运行状态信息也受到背景噪声的影响，使得对于轴承早期失效特征信息敏感的轴承性能衰退指标较难建立，而背景噪声的影响严重污染了指标所展示的趋势信息，因此，现有的评价指标不能有效的表征轴承的性能退化过程。

为了建立这个评估指标，工程技术人员提出基于时域特征提取方法如RMS、峭度、裕度等以及频域的傅里叶变换方法等获得轴承寿命退化性能评价指标。然而，单纯采用某个域内的特征作为衰退性能指标，不能满足对滚动轴承复杂退化信息的准确表达，且以上的各个指标之间大多是孤立的，并没有太大的联系，指标的选取虽不涉及到参数的变换稳定性较好，但是对于不同的轴承，以及同类轴承不同的工况，这些指标的表现变化较大，还没有一个指标能够满足通用性，不能全面有效地反映不同状态下轴承寿命的退化趋势。

滚动轴承衰退过程特征信息的复杂性和多变性，使得仅仅依靠某个域的特征指标，难以获取滚动轴承性能退化的特征点，表征滚动轴承寿命退化的演变趋势。必须集合多种特征指标对其状态信息进行全面的反映。因此，必须在时域、频域和时频域特征来全面的反映轴承的退化状态。

发明内容

有鉴于此，为了解决上述问题，本发明提出了一种基于主成分分析的轴承寿命退化指标构建方法，可获得敏感的轴承性能衰退指标，以便于实现轴承寿命的预测和分析。

为了达到上述目的，本发明所采用的具体技术方案如下：

一种基于主成分分析的滚动轴承寿命退化性能评估指标构建方法，其特征在于，包括如下步骤：

1)获取轴承加速寿命试验或全寿命试验过程的原始振动数据；

2)对步骤1)所得的原始振动数据进行时域信号处理，得到原始振动数据的时域指标集特征矩阵 $A=\left(\begin{array}{cccc}{a}_{11}& a_{12}& \·\·\·& a_{1p}\\ a_{21}& a_{22}& \·\·\·& a_{2p}\\ & & & \·\\ \·\·\·& \·\·\·& \·\·\·& \·\\ & & & \\ a_{n_{1}1}& a_{n_{1}2}& \·\·\·& a_{n_{1}p}\end{array}\right);$ 其中a_ij表示第j个样本点的第i个时域指标的值，n₁为预选的时域指标的个数，p为原始振动数据时域信号样本点的个数；

3)对步骤1)所得的原始振动数据进行频域信号处理，得到原始振动数据的频域指标集特征矩阵 $B=\left(\begin{array}{cccc}{b}_{11}& b_{12}& \·\·\·& b_{1p}\\ b_{21}& b_{22}& \·\·\·& b_{2p}\\ & & & \·\\ \·\·\·& \·\·\·& \·\·\·& \·\\ & & & \\ b_{n_{2}1}& b_{n_{2}2}& \·\·\·& b_{n_{2}p}\end{array}\right);$ 其中b_ij表示第j个样本点的第i个频域指标的值，n₂为预选的频域指标的个数；

4)对步骤1)所得的原始振动数据进行频域信号处理，得到原始振动数据时频域指标集特征矩阵 $C=\left(\begin{array}{cccc}{c}_{11}& c_{12}& \·\·\·& c_{1p}\\ c_{21}& c_{22}& \·\·\·& c_{2p}\\ & & & \·\\ \·\·\·& \·\·\·& \·\·\·& \·\\ & & & \\ c_{n_{3}1}& c_{n_{3}2}& \·\·\·& c_{n_{3}p}\end{array}\right);$ 其中c_ij表示第j个样本点的第i个时频域指标的值，n₃为预选的频域指标的个数；

5)按照 $X=\left(\begin{array}{c}A\\ B\\ C\end{array}\right)=\left(\begin{array}{cccc}{x}_{11}& x_{12}& \·\·\·& x_{1p}\\ x_{21}& x_{22}& \·\·\·& x_{2p}\\ & & & \·\\ \·\·\·& \·\·\·& \·\·\·& \·\\ & & & \·\\ x_{n1}& x_{n2}& \·\·\·& x_{\mathrm{np}}\end{array}\right)=(X_1,X_2,\·\·\·,X_p)$ 对步骤2)、3)、4)所得的时域指标集特征矩阵、频域指标集特征矩阵和时频域指标集特征矩阵进行组合得到特征矩阵X，其中 $X_j=\left(\begin{array}{c}{x}_{1j}\\ x_{2j}\\ \·\\ \·\\ \·\\ x_{\mathrm{nj}}\end{array}\right)$ 表示特征矩阵X的第j列向量，n＝n₁+n₂+n₃表示预选的特征指标的总个数；x_ij是第j个样本点第i个特征指标的值；

6)通过主成分变换得到特征矩阵X各个列向量的线性组合为：

$\left\{\begin{array}{c}{y}_1=u_{11}{X}_1+u_{12}{X}_2+\·\·\·+u_{1p}{X}_p\\ y_2=u_{21}{X}_1+u_{22}{X}_2+\·\·\·+u_{2p}{X}_p\\ \·\·\·\\ y_p=u_{p1}{X}_1+u_{p2}{X}_2+\·\·\·+u_{\mathrm{pp}}{X}_p\end{array}\right.$

当系数u_ij满足而且系数u_ij使y_i与y_j(i≠j)相互无关，选择X₁,X₂,…,X_p的一切线性组合中方差最大的一项组合作为滚动轴承寿命退化性能评价指标。

上式通过代数变换的形式，将最大特征值所对应的特征向量的系数最为第一主成分，并以u₁＝(u₁₁,u₂₁,…,u_p1)^T作为主要的投影系数，可以在空间中将反映轴承退化趋势的特征最为全面的反映出来，从而获得最全面的反映轴承振动信息的特征。这样，对于输入到主成分中的时域、频域和时频域的特征信息，就可以利用主成分求出在空间状态下最能反映这些特征信息空间结构的主分量，这些主分量代表了空间状态下各种特征信息的加权。

基于上述描述，本方法将时域特征信息、频域特征信息以及时频域特征信息有效融为一体，从而全面的体现轴承的退化趋势特征。再通过主成分分析算法将这些原始特征进行加权融合，实现特征约简，约简后的特征指标具有最大化的表征滚动轴承的状态信息，又有效的消除了原始多维特征信息间冗余的特点，从而有效地构建了基于特征空间加权融合的滚动轴承寿命退化性能评估指标，克服了传统的评估指标对于早期故障不敏感，普适性不强的缺点，能够较好的表征轴承的退化趋势。

作为进一步描述，所述步骤1)中，在滚动轴承的加速寿命试验或全寿命试验过程中，采用加速度传感器采集滚动轴承的原始振动数据。

再进一步描述，步骤2)中所述的时域指标包括10个有量纲的时域指标，具体的表达式为：

均值最大值X_max＝max{|x_i|}(i＝1,2,…,N)；

最小值X_min＝min{x_i}(i＝1,2,…,N)；歪度

峭度 $\mathrm{\β}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{x}_i^4;$ 方差 ${\mathrm{\σ}}_x^2=\frac{1}{N-1}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{(x_i-\stackrel{\‾}{X})}^2;$

方根幅值 $X_r={\left[\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\sqrt{\left|x_i\right|}\right]}^2;$ 绝对平均幅值 $\left|\stackrel{\‾}{X}\right|=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\left|x_i\right|;$

均方根值峰峰值X_p-p＝max(x_i)-min(x_i)；

以及6个无量纲的时域指标，具体的表达式为：

波形指标 $S_f=\frac{X_{\mathrm{rms}}}{\left|\stackrel{\‾}{X}\right|};$ 脉冲指标 $I_f=\frac{X_{\max }}{\left|\stackrel{\‾}{X}\right|};$ 峭度指标 $K_v=\frac{\mathrm{\β}}{X_{\mathrm{rms}}^4};$

峰值指标 $C_f=\frac{X_{\max }}{X_{\mathrm{rms}}};$ 裕度指标 ${\mathrm{CL}}_f=\frac{X_{\max }}{X_r};$ 偏斜度指标 $\frac{\mathrm{\α}}{{X^3}_{\mathrm{rms}}}.$

有量纲的时域指标会随着故障的发展而上升，但是也会因工作条件的改变而改变，无量纲的时域指标和设备的运行工况无关，只取决于概率密度函数。在反映形式上，有量纲的时域指标之间较为统一，而无量纲的时域指标之间也相对统一，但是在反映轴承退化的趋势上，两种指标都能够较好的反映轴承衰退的上升趋势，因此，将这两类指标用来作为轴承退化过程的时域特征指标。

再进一步描述，步骤3)中预选有13个频域指标，分别为：

$p_1=\frac{\underset{k=1}{\overset{K}{\mathrm{\Σ}}}s\left(k\right)}{K},p_2=\frac{\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{(s\left(k\right)-p_1)}^2}{K-1},p_3=\frac{\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{(s\left(k\right)-p_1)}^3}{K{\left(\sqrt{p_2}\right)}^3},p_4=\frac{\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{(s\left(k\right)-p_1)}^4}{{\mathrm{Kp}}_2^2};$

$p_5=\frac{\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{f}_{k}s\left(k\right)}{\underset{k=1}{\overset{K}{\mathrm{\Σ}}}s\left(k\right)},p_6=\sqrt{\frac{\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{(f_k-p_5)}^{2}s\left(k\right)}{K}},p_7=\sqrt{\frac{\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{f}_k^{2}s\left(k\right)}{\underset{k=1}{\overset{K}{\mathrm{\Σ}}}s\left(k\right)}},p_8=\sqrt{\frac{\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{f}_k^{4}s\left(k\right)}{\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{f}_k^{2}s\left(k\right)}};$

$p_9=\frac{\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{f}_k^{2}s\left(k\right)}{\sqrt{\underset{k=1}{\overset{K}{\mathrm{\Σ}}}s\left(k\right)\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{f}_k^{4}s\left(k\right)}},p_{10}=\frac{p_6}{p_5},p_{11}=\frac{\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{(f_k-p_5)}^{3}s\left(k\right)}{{\mathrm{Kp}}_6^3},p_{12}=\frac{\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{(f_k-p_5)}^{4}s\left(k\right)}{{\mathrm{Kp}}_6^4};$

$p_{13}=\frac{\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{(f_k-p_5)}^{\frac{1}{2}}s\left(k\right)}{{\mathrm{Kp}}_6};$

其中s(k)是原始振动数据的频谱，k＝1,2,3…,K，K为谱线数，f_k是第k条谱线的频率值。

频域特征参数p₁反映了频域振动能量的大小，p₂-p₄，p₆，p₁₀-p₁₃反映了频谱的分散或是集中程度；p₅，p₇-p₉反映主频带位置的变化。

最后，所述步骤4)中，通过有经验模式分解(EMD)将原始振动数据的时域信号分解为多个内禀模态分量(IMF)，对分解得到的多个内禀模态分量计算香农熵，得到所述时频域指标集。

设经验模式分解(EMD)分解获得多个模态分量f_i(t)和余项r_n(t)，将余项r_n(t)看作第n+1个分量f_n+1(t)，则第i(i＝1,2,…,n+1)个分量f_i(t)的能量可以表示为：

$E\left[f_i\left(t\right)\right]={[1/(N-1)]\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\left[f_i\left(t\right)\right]}^2$

式中，N为IMF分量f_i(t)的数据长度。

本发明显著效果是：利用本方法构建所得到的滚动轴承寿命退化性能评估指标，充分融合了时域、频域和时频域的特征信息，在时频域特征信息提取过程中，结合了经验模式分解算法，最后利用主成分分析法将各个单一的特征参数进行特征约简，约简后的特征指标既最大化的表征了滚动轴承的状态信息，又有效的消除了原始多维特征信息间冗余的特点，克服了传统的评估指标对于早期故障不敏感，普适性不强的缺点，能够较好的表征轴承的退化趋势。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步的详细描述：

图1示出了本发明的算法流程图；

图2示出了具体实施例中滚动轴承加速寿命试验所得的原始振动数据；

图3示出了具体实施例中滚动轴承加速寿命试验获得的振动信号的部分时域有量纲特征指标，其中(1)均值，(2)均方根值，(3)方根幅值，(4)绝对平均值，(5)歪度，(6)峭度；

图4示出了具体实施例中滚动轴承加速寿命试验获得的振动信号的部分时域有量纲特征指标，其中(1)方差，(2)最大值，(3)最小值，(4)峰峰值；

图5示出了具体实施例中滚动轴承加速寿命试验获得的振动信号的时域无量纲特征指标，其中(1)波形指标，(2)峰值指标，3)脉冲指标，(4)裕度指标，(5)偏斜度指标，(6)峭度指标；

图6示出了具体实施例中滚动轴承加速寿命试验获得的振动信号的部分频域特征指标，其中(1)均值频率，(2)频率标准差，(3)频率特征1，(4)频率特征2，(5)频率中心，(6)频率特征3；

图7示出了具体实施例中滚动轴承加速寿命试验获得的振动信号的部分频域特征指标，其中(1)均方根频率，(2)频率特征4，(3)频率特征5，(4)频率特征6，(5)频率特征7，(6)频率特征8，(7)频率特征9；

图8示出了具体实施例中滚动轴承加速寿命试验获得的振动信号的时频域特征指标，其中(1)IMF1能量，(2)IMF2能量，(3)IMF3能量，(4)IMF4能量，(5)IMF5能量，(6)IMF6能量；

图9示出了通过峭度获得的本发明实施例的轴承寿命退化性能指标。

图10示出了通过本发明方法获得的实施例滚动轴承寿命退化性能指标。

具体实施方式

以下将对本发明的优选实施例进行详细的描述。

参见图1，本实施例表述一种基于主成分分析的轴承寿命退化性能指标构建方法，包括如下步骤：

1)利用加速度传感器获得轴承全寿命试验过程的原始振动数据，本实施例中的原始振动数据x(t)是通过一个地面常规轴承试验获得，试验的过程中轴承被施加恒定的载荷6000lbs，恒定的转速2000rpm，在这个过程中采集轴承不同状态下的失效数据，采样频率是20kHz，样本长度为20480个点，测得的某阶段的信号如图1所示。

2)对步骤1)所得的原始振动数据进行时域信号处理，得到原始振动数据的时域指标集特征矩阵；所述时域信号处理，是指对原始进行时域特征统计，先对原始信号通过有量纲的时域信号处理方法(如表1所示)提取时域的特征指标集。

式中，x_i为测试数据的加速度幅值，N为测试数据点数在本示例中为20480个点，获得的统计结果如图3，4所示。

表1有量纲的时域特征指标

接着对原始信号通过无量纲的时域信号处理方法(如表2所示)提取时域的特征指标集。

表2无量纲的时域特征指标

获得的统计结果如图5所示，图中只示意出前1000个点的特征指标。

3)对步骤1)所得的原始振动数据进行频域信号处理，得到原始信号所对应的频域指标集特征矩阵；所述频域信号处理，是指对原始进行频域特征统计，对原始信号通过频域信号处理方法(如表3所示)提取频域的特征指标集。

式中s(k)是信号x(n)的频谱，k＝1,2,3…,K，K为谱线数，f_k是第k条谱线的频率值。

频域特征参数p₁反映了频域振动能量的大小，p₂-p₄，p₆，p₁₀-p₁₃反映了频谱的分散或是集中程度；p₅，p₇-p₉反映主频带位置的变化。

获得的统计结果如图6、7所示。

表3频域特征参数

4)对步骤1)所得的原始振动数据进行时频域信号处理，得到原始信号所对应的时频域指标集特征矩阵；所述时频域信号处理，是指对原始进行如下步骤：

对原始信号通过有经验模式分解(EMD)将信号分解为M个(本示例中为6个)内禀模态分量(IMF)，对分解得到的多个内禀模态分量计算香农熵，得到时频域的特征指标集。

设经验模式分解(EMD)分解获得6个模态分量f_i(t)和余项r_n(t)，将余项r_n(t)看作第n+1个分量f_n+1(t)，则第i(i＝1,2,…,n+1)个分量f_i(t)的能量可以表示为：

$E\left[f_i\left(t\right)\right]={[1/(N-1)]\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\left[f_i\left(t\right)\right]}^2$

式中，N为IMF分量f_i(t)的数据长度。

获得的效果如图8所示。

通过图3、4、5、6、7、8可以观察：(1)在700点之前，轴承处于正常运行的阶段，特征信息变化不大。但是700点之后，轴承的运行状态发生了较大的变化，这些变化表明了轴承产生了故障征兆。但是这个故障征兆的发现的点距离轴承失效也已经较为接近，对于前期的轴承早期故障的演化趋势没有很好的反映出来；(2)不同的特征指标以不同的形式反映轴承的运行的状态的变化。例如：峭度和IMF1的能量反映轴承的退化趋势是通过一条上升趋势的曲线。而偏斜度表现出的轴承退化的趋势却是通过一条下降的曲线。峭度、偏斜度和IMF1的能量反映轴承的状态在700点之后有较大的变化，但是IMF2能量却并不明显，直到850点左右才较为突出，而这个时候轴承已经接近严重失效状态。由于这些指标的不敏感、不统一和不确定性，因此，利用这些指标来反映轴承早期故障演化趋势是不合适的。

5)对步骤2-4)所得的时域、频域和时频域特征提取之后的特征信息组成数据矩阵X，并进行降维约简处理；所述降维约简处理是对时域、频域和时频域特征提取之后的特征信息组成数据矩阵X进行如下运算：

$X=\left(\begin{array}{cccc}{x}_{11}& x_{12}& \·\·\·& x_{1p}\\ x_{21}& x_{22}& \·\·\·& x_{2p}\\ & & & \·\\ \·\·\·& \·\·\·& \·\·\·& \·\\ & & & \·\\ x_{n1}& x_{n2}& \·\·\·& x_{\mathrm{np}}\end{array}\right)=(X_1,X_2,\·\·\·,X_p),$ 其中 $X_1=\left(\begin{array}{c}{x}_{1i}\\ x_{2i}\\ \·\\ \·\\ \·\\ x_{\mathrm{ni}}\end{array}\right)$

x_ij是第i个样本点第j个数据的值。

6)通过主成分变换得到的线性组合可以表示为X₁,X₂,…,X_p的线性组合：

$\left\{\begin{array}{c}{y}_1=u_{11}{X}_1+u_{12}{X}_2+\·\·\·+u_{1p}{X}_p\\ y_2=u_{21}{X}_1+u_{22}{X}_2+\·\·\·+u_{2p}{X}_p\\ \·\·\·\\ y_p=u_{p1}{X}_1+u_{p2}{X}_2+\·\·\·+u_{\mathrm{pp}}{X}_p\end{array}\right.$

如果系数u_ij满足而且系数u_ij使y_i与y_j(i≠j)相互无关，并使y₁是X₁,X₂,…,X_p的一切线性组合中方差最大者，y₂是与y₁不相关的X₁,X₂,…,X_p的所有线性组合中方差最大者，……，y_p是与y₁，y₂，…，y_p-1都不相关的X₁,X₂,…,X_p的所有线性组合中方差最大者，则称y₁,y₂,…,y_p为原变量的第一，第二，…，第p主成分。

本示例中经过主成分分析降维约简得到的第一个主成分分量视为轴承的最佳寿命退化状态指标。针对本示例中的轴承全寿命数据，通过典型的时域统计峭度获得的轴承寿命退化状态指标如图9所示，本发明获得的指标效果如图10所示。

从图9所示的基于峭度的指标量而言，峭度指标整体波动性较大，且直到700点处才有所反应，效果较差。从图10可以看出，基于主成分分析加权融合获得的轴承寿命退化性能指标对于轴承的早期退化趋势表现较为敏感，在500点左右已经开始显现一定的上升趋势，并且整个的指标较为纯净，因此，基于PCA的数据约简方法能够获得较好的轴承衰退性能指标。

以上所述仅为本发明的优选实施例，并不用于限制本发明，显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (5)

1.一种基于主成分分析的滚动轴承寿命退化性能评估指标构建方法，其特征在于，包括如下步骤：

1)获取轴承加速寿命试验或全寿命试验过程的原始振动数据；

2)对步骤1)所得的原始振动数据进行时域信号处理，得到原始振动数据的时域指标集特征矩阵 $A=\left(\begin{array}{cccc}{a}_{11}& a_{12}& \·\·\·& a_{1p}\\ a_{21}& a_{22}& \·\·\·& a_{2p}\\ & & & \·\\ \·\·\·& \·\·\·& \·\·\·& \·\\ & & & \\ a_{n_{1}1}& a_{n_{1}2}& \·\·\·& a_{n_{1}p}\end{array}\right);$ 其中a_ij表示第j个样本点的第i个时域指标的值，n₁为预选的时域指标的个数，p为原始振动数据时域信号样本点的个数；

3)对步骤1)所得的原始振动数据进行频域信号处理，得到原始振动数据的频域指标集特征矩阵 $B=\left(\begin{array}{cccc}{b}_{11}& b_{12}& \·\·\·& b_{1p}\\ b_{21}& b_{22}& \·\·\·& b_{2p}\\ & & & \·\\ \·\·\·& \·\·\·& \·\·\·& \·\\ & & & \\ b_{n_{2}1}& b_{n_{2}2}& \·\·\·& b_{n_{2}p}\end{array}\right);$ 其中b_ij表示第j个样本点的第i个频域指标的值，n₂为预选的频域指标的个数；

4)对步骤1)所得的原始振动数据进行频域信号处理，得到原始振动数据时频域指标集特征矩阵 $C=\left(\begin{array}{cccc}{c}_{11}& c_{12}& \·\·\·& c_{1p}\\ c_{21}& c_{22}& \·\·\·& c_{2p}\\ & & & \·\\ \·\·\·& \·\·\·& \·\·\·& \·\\ & & & \\ c_{n_{3}1}& c_{n_{3}2}& \·\·\·& c_{n_{3}p}\end{array}\right);$ 其中c_ij表示第j个样本点的第i个时频域指标的值，n₃为预选的频域指标的个数；

5)按照 $\left(\begin{array}{c}A\\ B\\ C\end{array}\right)=\left(\begin{array}{cccc}{x}_{11}& x_{12}& \·\·\·& x_{1p}\\ x_{21}& x_{22}& \·\·\·& x_{2p}\\ & & & \·\\ \·\·\·& \·\·\·& \·\·\·& \·\\ & & & \·\\ x_{n1}& x_{n2}& \·\·\·& x_{\mathrm{np}}\end{array}\right)={(X}_1,X_2,\·\·\·,X_p)$ 对步骤2)、3)、4)所得的时域指标集特征矩阵、频域指标集特征矩阵和时频域指标集特征矩阵进行组合得到特征矩阵X，其中 $X_j=\left(\begin{array}{c}{x}_{1j}\\ x_{2j}\\ \·\\ \·\\ \·\\ x_{\mathrm{nj}}\end{array}\right)$ 表示特征矩阵X的第j列向量，n＝n₁+n₂+n₃表示预选的特征指标的总个数；x_ij是第j个样本点第i个特征指标的值；

6)通过主成分变换得到特征矩阵X各个列向量的线性组合为：

$\left\{\begin{array}{c}{y}_1=u_{11}{X}_1+u_{12}{X}_2+\·\·\·+u_{1p}{X}_p\\ y_2=u_{21}{X}_1+u_{22}{X}_2+\·\·\·+u_{2p}{X}_p\\ \·\·\·\\ y_p=u_{p1}{X}_1+u_{p2}{X}_2+\·\·\·+u_{\mathrm{pp}}{X}_p\end{array}\right.$

当系数u_ij满足而且系数u_ij使y_i与y_j(i≠j)相互无关，选择X₁,X₂,…,X_p的一切线性组合中方差最大的一项组合作为滚动轴承寿命退化性能评价指标。

2.如权利要求1所述的基于主成分分析的滚动轴承寿命退化性能评估指标构建方法，其特征在于：所述步骤1)中，在滚动轴承的加速寿命试验或全寿命试验过程中，采用加速度传感器采集滚动轴承的原始振动数据。

3.如权利要求1所述的基于主成分分析的滚动轴承寿命退化性能评估指标构建方法，其特征在于：步骤2)中所述的时域指标包括10个有量纲的时域指标，具体的表达式为：

均值最大值X_max＝max{|x_i|}(i＝1,2,…,N)；

最小值X_min＝min{x_i}(i＝1,2,…,N)；歪度

峭度 $\mathrm{\β}=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{x}_i^4;$ 方差 ${\mathrm{\σ}}_x^2=\frac{1}{N-1}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{(x_i-\stackrel{\‾}{X})}^2;$

方根幅值 $X_r={\left[\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\sqrt{\left|x_i\right|}\right]}^2;$ 绝对平均幅值 $\left|\stackrel{\‾}{X}\right|=\frac{1}{N}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\left|x_i\right|;$

均方根值峰峰值X_p-p＝max(x_i)-min(x_i)；

以及6个无量纲的时域指标，具体的表达式为：

波形指标 $S_f=\frac{X_{\mathrm{rms}}}{\left|\stackrel{\‾}{X}\right|};$ 脉冲指标 $I_f=\frac{X_{\max }}{\left|\stackrel{\‾}{X}\right|};$ 峭度指标 $K_v=\frac{\mathrm{\β}}{X_{\mathrm{rms}}^4};$

峰值指标 $C_f=\frac{X_{\max }}{X_{\mathrm{rms}}};$ 裕度指标 ${\mathrm{CL}}_f=\frac{X_{\max }}{X_r};$ 偏斜度指标 $P=\frac{\mathrm{\α}}{{X^3}_{\mathrm{rms}}}.$

4.如权利要求1所述的基于主成分分析的滚动轴承寿命退化性能评估指标构建方法，其特征在于：步骤3)中预选有13个频域指标，分别为：

$p_1=\frac{\underset{k=1}{\overset{K}{\mathrm{\Σ}}}s\left(k\right)}{K},p_2=\frac{\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{(s\left(k\right)-p_1)}^2}{K-1},p_3=\frac{\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{(s\left(k\right)-p_1)}^3}{K{\left(\sqrt{p_2}\right)}^3},p_4=\frac{\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{(s\left(k\right)-p_1)}^4}{{\mathrm{Kp}}_2^2};$

$p_5=\frac{\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{f}_{k}s\left(k\right)}{\underset{k=1}{\overset{K}{\mathrm{\Σ}}}s\left(k\right)},p_6=\sqrt{\frac{\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{(f_k-p_5)}^{2}s\left(k\right)}{K}},p_7=\sqrt{\frac{\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{f}_k^{2}s\left(k\right)}{\underset{k=1}{\overset{K}{\mathrm{\Σ}}}s\left(k\right)}},p_8=\sqrt{\frac{\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{f}_k^{4}s\left(k\right)}{\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{f}_k^{2}s\left(k\right)}};$

$p_9=\frac{\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{f}_k^{2}s\left(k\right)}{\sqrt{\underset{k=1}{\overset{K}{\mathrm{\Σ}}}s\left(k\right)\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{f}_k^{4}s\left(k\right)}},p_{10}=\frac{p_6}{p_5},p_{11}=\frac{\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{(f_k-p_5)}^{3}s\left(k\right)}{{\mathrm{Kp}}_6^3},p_{12}=\frac{\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{(f_k-p_5)}^{4}s\left(k\right)}{{\mathrm{Kp}}_6^4};$

$p_{13}=\frac{\underset{k=1}{\overset{K}{\mathrm{\Σ}}}{(f_k-p_5)}^{\frac{1}{2}}s\left(k\right)}{{\mathrm{Kp}}_6};$

其中s(k)是原始振动数据的频谱，k＝1,2,3…,K，K为谱线数，f_k是第k条谱线的频率值。

5.如权利要求1所述的基于主成分分析的滚动轴承寿命退化性能评估指标构建方法，其特征在于：所述步骤4)中，通过有经验模式分解(EMD)将原始振动数据的时域信号分解为多个内禀模态分量(IMF)，对分解得到的多个内禀模态分量计算香农熵，得到所述时频域指标集。