1 绪论

1.1 课题来源

本课题受中央高校基本科研业务费自然科学重大项目“多场耦合作用下空间活动零部件失效机理研究” （批准号：CDJZR10118801）等资助。

1.2 课题背景和研究意义

空间滚动轴承高可靠与长寿命研究，是支撑高可靠、长寿命空间飞行器发展的基础保障性研究内容之一，而空间滚动轴承寿命评估和预测是空间滚动轴承高可靠与长寿命研究的重要内容。空间滚动轴承要承受低温和交变温度、高能粒子辐照、原子氧侵蚀、碎片撞击及微尘冲刷等极端环境的综合作用，极易造成空间滚动轴承的精度失效，从而加快空间滚动轴承损坏。据统计，一颗人造卫星上装有许多滑动与滚动轴承，其中光滚动轴承就多达 50 多个[1]。因此，轴承的运行状态直接影响整个空间活动件的运性能。然而，由于空间场合轴承应用的限制，空间滚动轴承不可能更换，也不可能采用备份来保证轴承的可靠性，所以轴承一旦出现问题，将导致整个空间活动部件的失效甚至毁坏[2]。

较之传统的寿命预测方法，由于空间滚动轴承在空间环境下重力的作用消失，轴承只承受初始的预紧力。另外，空间滚动轴承的特殊性使得在使用的过程中轴承主要是通过配对的形式工作，采集的信号受到配对轴承的相互的影响，特征复杂。且轴承以二硫化钼作为固体润滑膜进行润滑。这些特点，使得空间滚动轴承的寿命预测难度更大，精度要求更高。其失效行为和机理与地面常规环境有很大差异，尚缺乏深入的规律性认识。目前只能通过地面模拟空间环境开展加速寿命试验，获取失效数据，进行空间滚动轴承寿命评估和预测研究，受到试验设备和试验条件的限制，不可能进行大批量试验，而常规的寿命预测方法并不适用于空间滚动轴承的寿命预测，因此，开展空间滚动轴承的寿命预测研究就显得非常必要。现有的空间滚动轴承的状态监测量主要由摩擦力矩、振动和温度，由于摩擦力矩包含寿命特征信息较为单一，不能有效反映其寿命特征，而温度主要用于进行辅助监测，论文选用包涵空间滚动轴承寿命特征信息丰富的振动信号为研究对象，通过研究空间滚动轴承精度失效导致性能退化的激振机理，揭示空间滚动轴承振动特征随退化趋势的演变规律；通过对空间滚动轴承振动信号的处理，提取空间滚动轴承衰退性能指标；通过构建人工智能模型，实现空间滚动轴承寿命预测。对于指导空间滚动轴承的设计与制造、建立使用寿命的评估准则、提高后续空间飞行器的在轨寿命和使用性能都具有重要的意义。

1.3 空间滚动轴承寿命预测的研究现状

寿命预测技术是机械设备可靠性分析技术的核心。从广泛意义上来说，寿命预测技术具有检测和隔离早期故障、确定设备当前故障严重程度以及预测故障发生时间 (或预测设备剩余使用寿命) 的能力[3]。通过对空间状态下轴承寿命的预测，可以及时的了解轴承的运行状态，退化趋势和剩余寿命[4-6]。因此，开展空间滚动轴承寿命预测技术研究显得非常重要，下面从空间滚动轴承在轨失效机理、寿命预测模型的选取等方面分析国内外针对空间滚动轴承寿命预测的研究现状。

1.3.1 空间滚动轴承失效机理国内外研究现状空间滚动轴承是空间飞行器的基础部件之一，它的失效就意味着机构本身可能的失效，理解其在轨失效机理，是进行高可靠、长寿命研究的基础。轴承失效是近 30 年来发展起来的一门技术科学。近年来，国内外不少学者对滚动轴承的失效机理作了研究[7-10]。但绝大部分都是研究其在地面常规环境，即常温常压下的失效模式。陆骥详细评述了当前滚动轴承的分析方法和实用技术，介绍了滚动轴承的失效形式特征、机理及影响因素，并引入了润滑脂对于轴承失效的影响。分析了滚动轴承的主要失效形式，包括疲劳、胶合、磨损烧伤、腐蚀、破损、压痕等。庄兴明、张向军[11]等进行了润滑脂性能指标对滚动轴承振动特性影响的实验研究，发现添加剂在接触区的存在形态以及油膜动态特性是影响轴承振动的重要原因。唐云冰[12]研究了滚动轴承非线性轴承力及其对轴承系统振动特性的影响，试验得出当非线性轴承力和不平衡力共同作用时，滚动轴承系统会产生组合振动，随着不平衡力的增大变刚度振动所对应频率的幅值逐渐降低。汪久根等[13]研究了表面微坑对轴承振动的影响。苗晓鹏[14]对圆锥滚子轴承振动进行了实验研究，实验结果表明，当各个影响因素的误差都控制在公差范围内时，轴承的振动值也会控制在公差范围内。裴礼清[15]研究滚动轴承微动磨损导致的振动，结果显示，内圈损伤引起的振动较外圈和钢球损伤引起的振动要大得多。赵惠玲[16]研究了套圈制造精度对滚动轴承振动与噪声的影响。由以上的研究可以看出，目前对滚动轴承的失效机理的研究绝大部分仅限于地面常规环境(常温常压)下的研究，少部分对真空、高温、低温等特殊环境下的轴承失效研究。而在空间服役的轴承要承受交变温度、高能粒子辐照、原子氧侵蚀、及微尘冲刷等极端环境的综合作用，其失效行为和机制与地面常规环境有很大差异，对于此极端环境下的轴承的失效机理目前尚缺乏深入的规律性认识。揭示空间超常规条件对轴承服役行为的作用规律，对于指导空间滚动轴承的设计与制造、建立使用寿命的评估准则都具有重要的意义。

1.3.2 空间滚动轴承寿命预测模型国内外研究现状

在对空间滚动轴承的失效机理和失效模式深入研究的基础上，选择合理的寿命预测模型是轴承寿命预测的关键，基于此，人们对滚动轴承寿命预测方法进行了深入的研究，形成了很多预测模型及其预测方法，其中较为普遍的寿命预测模型分为统计学寿命模型、理论力学寿命模型和人工智能寿命模型三种类型[17]。

① 统计学寿命模型从 19 世纪 80 年代赫特兹提出弹性接触理论以来可靠性技术不断发展，二战时期美国提出可靠性寿命技术研究，可靠性寿命技术在电子、机械等相关行业获得了深入的研究。此后，20 世纪 70 年代开始到 80 年代初期，可靠性寿命分析技术更加被人们所重视，进入了新的发展阶段，相关研究人员在深入开展大量产品的失效模式与失效机理的基础上，对产品的可靠性分析技术进行了研究，这些研究的进行，使得产品的可靠性分析技术达到了一个新的水平[18]。虽然产品可靠性的大量研究，促进了轴承寿命分析和预测技术的不断发展，但是，当前的轴承寿命研究领域，大部分的分析方法还是基于传统的可靠性理论，以寿命信息作为统计分析的对象，其做法是通过大量的试验获得轴承的失效数据，然后使用统计判断准则，选择最合适的寿命统计分布模型，获得此类轴承的寿命分布。统计学寿命模型认为轴承寿命是由材料表面或次表面的疲劳破坏所致，统计学寿命模型应用数理统计理论分析和处理一批轴承的寿命，以体现各种内在和外在的随机因素对轴承寿命的影响，这必然要求参与统计的样本数量要多。由于滚动轴承的寿命受到多种因素的影响，因而统计学寿命模型是在动力学、弹性力学、传热学、材料力学和摩擦学等多门学科基础上构建的模型。

1881 年，赫兹弹性接触理论的出现促使轴承寿命成为工程学理论问题。R.Stribeck 首先将赫兹理论应用到轴承工程学，并于 1896 年开始了全尺寸轴承疲劳试验。

在 1901 年，他通过研究指出球轴承中球与沟道接触的最大容许径向载荷Q 是球数 Z 和球径md 的函数，如公式 1.1 所示。251mQ =KZd(1.1)式中，Stribeck 常数 K 随轴承类型与尺寸不同而异。1924年A. Palmgren在R.Stribeck研究的基础上建议使用一种概率论的方法来预测机械部件的寿命，尤其是滚动轴承的寿命。基于测试结果，他建议将有效使用寿命定义为有10%的轴承样本失效或90%的样本存活率时的寿命。他还提到尺寸对轴承寿命的影响比较明显，也就是说，具有相同等效载荷的较大轴承的寿命比较小轴承的寿命要短。此后，瑞典科学家Lundberg及Palmgren[19,20]先后与1947年和1952年提出动态剪切应力模型，该理论认为疲劳裂纹开始于接触次表面下平行于滚动方向的最大交变剪切应力所作用的区域内的材料“薄弱点”，并扩展到表面，产生疲劳剥落。他们基于动态剪切应力寿命理论、Hertz 弹性接触理论和 Palmgren 额定动载荷理论研究滚动轴承的寿命，采用两参数 Weibull 分布进行疲劳寿命的可靠性分析，得到了简称L-P模型的半经验寿命公式，具体公式如1.2所示。[ ]εL C/P10=(1.2)式中，10L 为100万转数为单位的轴承寿命；C为轴承的基本额定动载荷，或是轴承在转过100万转时能有90%存活率的理论载荷；P为所施加的当量径向载荷；ε为载荷寿命指数。Lundberg和Palmgren认为，作为一种规律，在某些载荷作用下，滚子与滚道间的接触会从点接触转变成线接触。内外圈都是线接触时指数 ε =4，内外圈都是点接触时 ε =3。在一些滚子轴承中，不同的加载时间间隔内载荷寿命指数ε 会从3变为4，考虑到这一点，Lundberg和Palmgren 建议合适的载荷寿命指数ε值为10/3。L-P模型的提出获得了广泛的认可，1977年，国际标准ISO281/I中给出了L-P模型的修正公式[21]。具体公式如1.3所示：εα αα()123PCLna=(1.3)naL 为给定可靠度下的轴承的寿命；1α 为可靠度系数，2α 为材料系数，3α为使用条件系数。1985年，Ioannides及Harris在动态剪切应力寿命理论的基础上，建立了简称为I-H的模型[22]。如公式1.4所示：dVZANShHm∫′−≈Δ1ττln(1.4)式中：A为体积平均值；Hτ 为疲劳持久应力；Z′ 为加权平均局部应力的深度。

2001 年，Yu W 和 Harris T A 在对 L-P 模型进行深入研究的基础上提出：表面下应力在受应力体积内的积分与疲劳寿命发散指数(即威布尔分布斜率)无关，疲劳寿命仅与受应力体积的大小、最大疲劳初始应力大小以及应力循环次数有关，同时考虑了材料的疲劳强度和轴承确实存在无限寿命的情况，结合弹性赫兹接触理论，得到任意载荷Q下的疲劳寿命计算公式1.5[23][ ]310/xyzcLQQ++= (1.5)但是，基于统计学寿命模型的分析技术假定产品”非好即坏”，使得正常与失效之间具有明显的界限，分析过程并不区分实际运行工况的不同以及失效机理的不同，也没有充分利用失效前的相关的信息。另外，这种基于统计的寿命分析和预测方法是建立在大量轴承总体试验数据的基础上，没有重视轴承试验过程中的个体的微观变化信息，其分析的寿命结果是在给定条件下的“平均属性”。这种寿命分析和预测方法对于常规的民用轴承较为实用，可以通过大量的数据累计有效的分析出轴承的寿命分布，但是对于空间状态下的轴承的寿命分析，这种寿命分析方法却很难满足空间状态下的轴承的寿命研究的需要。

② 理论力学寿命模型基于理论力学方法的寿命模型是滚动轴承寿命预测的一个重要发展方向。此类寿命模型假定疲劳寿命取决于裂纹萌生、裂纹发展直至断裂的过程，应用断裂力学的方法和裂纹扩展的理论进行分析[24]。

19 世纪 50 年代至 60 年代，德国工程师 August Wohler[25]在实验室进行了大量的疲劳试验，研究了铁路车辆轮轴的破坏。他最先引入了 S-N 曲线和疲劳极限的概念，并且明确地指出，对于疲劳而言，应力幅比构件承受的最大应力更重要。此后，相关研究者继续并深化了 Wohler 的工作。如相关学者研究了平均应力对寿命的影响问题。John Goodmab[26]提出了考虑平均应力的简单理论等；在疲劳发展历史上起到了重要的作用。本世纪 20 年代，英国国家物理实验室的 Gough 在疲劳机理研究方面作出了重大的贡献，研究了弯扭组合疲劳问题[27,28]。1929~1930 年，B．P．Haigh[29]利用缺口应变分析和残余应力的概念，合理地解释了高强度钢与低强度钢缺口试件疲劳性能的不同。

1957 年 G．R．Irwin 提出了应力强度因子 K 的概念，为线弹性断裂力学及疲劳裂纹扩展寿命的预测奠定了基础。1963 年，美国人 Paris 和 Erdogan[30,31]提出了一种疲劳裂纹扩展速率的经验公式 1.6：nCKdNda()0=Δ(1.6)式中，0C 材料常数；n 为应力常数因子；dNda为裂纹扩展速率，它取决于载荷幅 ΔK 。1983 年，Keer 和 Bryant[32]首次使用确定性解析方法研究滚动轴承的滚动接触疲劳问题，他们使用二维断裂力学的方法评估滚动接触疲劳的 Hertz 弹性力学问题。在假定裂纹萌生寿命远小于裂纹扩展寿命的情况下，根据最大 Hertz 压力 pmax和接触半宽 b，给出了疲劳循环次数 N。

近年来，疲劳问题的研究虽然在理论进展上没有产生惊人的突破，但实验研究更加深入，处理方法更加完善，考虑因素更加全面，疲劳理论与方法传播更加广泛。加之人们希望获得与实际构件更加接近的实验数据，对重要结构或构件希望得到专门的研究成果，这就极大地扩大了试验范围，引出了较多的专门化研究成果。但是由于基于裂纹模型的寿命预测方法过于偏重理论研究，建模较为困难，建模人员本身的专业背景要求较高，模型的预测值和实际情况差别较大，因此，基于理论模型的预测方法很难满足空间状态下的轴承的寿命研究的需要。从以上的分析可以看出，基于统计学模型的寿命预测方法和基于理论力学的寿命预测方法都无法满足空间状态下轴承寿命预测的需要，急需找到一种适合空间滚动轴承的寿命预测方法。

③ 人工智能寿命模型滚动轴承的寿命和轴承的运行的环境以及运行状态有很大的相关性，为了实现轴承寿命的准确预测，需要充分的利用轴承前期的运行数据以及现阶段的状态信息，实现轴承寿命的准确预测。近年来，根据实时获得的滚动轴承振动信息来判定轴承个体使用寿命的人工智能模型引起了人们的关注。人工智能寿命模型本质上能够根据实时的数据，发现其内部的规律，建立对应的模型结构，并能够根据训练信息的变化不断的调整模型结构，从而获得最佳的预测效果。由于轴承的故障通常不是瞬时发生的，故障从开始出现到恶化总有一段出现异常现象的过程，具有征兆可寻。因此，采用基于人工智能的寿命预测模型可以通过实时的采集轴承的失效数据，在提取其特征信息的基础上，及时的了解轴承的运行状态，实现轴承退化趋势的预测和剩余寿命的估计。并且采用基于人工智能模型的寿命预测方法可以针对空间滚动轴承小子样的特点，充分利用获得的实时的振动信息，从而减少了传统方法对样本数目的需求。论文所采用的基于人工智能模型的空间滚动寿命预测方法，主要包括以下几个方面：数据获取及其预处理、信号特征提取、特征信息融合与衰退性能指标的建立、人工智能模型预测，下面进行具体的介绍：

1) 振动数据的获取及其预处理空间环境的特殊性使得对于空间状态下运行的轴承的数据获取较为困难，因此，空间状态下针对轴承寿命预测技术的研究主要是通过地面模拟真空环境进行加速寿命试验获得失效数据，在此基础上利用相应的模型进行预测。而在地面模拟试验过程中，除了模拟空间环境因素如：真空状态、高低温环境、原子氧等之外，还需要进行加速寿命试验获得试验数据。由于轴承在轨运行时间较长，如果进行 1:1 寿命试验将使得试验过程较长，因此，必须通过强化某些应力条件，如空间状态下的轴承的温度、转速、载荷的大小来进行加速寿命试验以缩短试验时间[33]。加速寿命试验的统一定义最早由美罗姆航展中心于 1967 年提出，主要内容是在进行合理工程及统计假设的基础上，利用与物理失效规律相关的统计模型对超出正常应力水平的加速环境下获得的信息进行转换，得到产品在额定应力水平下的特征的一种试验方法。加速寿命试验采用加速应力水平来进行产品的寿命试验，从而缩短了试验时间，提高了试验效率，降低了试验成本。近年来已成为滚动轴承寿命的研究热点。Dong[34]对太空用轴承固体润滑剂的加速寿命试验进行了设计，通过提高测试转速来加速失效。Meeks[35]研究了长寿命球轴承的加速真空试验。在温度为+30℉到+130℉，压力小于 10-8torr 的真空环境中，轴承转速为 55 到 180rpm 的情况下，对 36 个轴承在两种不同的润滑油下分别进行了测试。吴超[36]讨论了油润滑条件下对航天运动部件的加速寿命试验的可行性、原则和方法，指出在油润滑中，在保证润滑状态不变的情况下，选择温度、转速为加速应力是可行的。通过加速寿命试验获得轴承的振动信号之后，通常情况下应该先对信号进行滤波处理，尤其是模拟空间状态下的轴承振动信号，受到离子泵，真空罐，地面设备运行造成的振动因素的影响，使得采集到的振动信号通常包含了大量的“背景噪声”，这些“噪声信息”阻碍了后续有效的提取轴承的微弱状态信息，因此，必须进行滤波处理。通过对采集的地面模拟真空环境下轴承的振动信号进行分析发现，背景噪声的成分主要是特定的一些频率成分这些频率成分幅值较为突出，其基频和倍频成分明显将其它频率成分的信号所掩盖，并和其它频率成分混叠在一下，虽然这些背景噪声主要分布于低频，但是低频部分同样包含微弱特征信号，因此，对背景噪声的剔除不能简单的采用低频滤波进行处理。小波分析方法[37]通过对信号进行分解来消除特定的信号，但是对于这种以特定的频率信号的基频及其倍频的消除，而不影响其他的信号的消除，效果并不好，且小波滤波方法需要选择母小波，母小波的选择对于信号的滤波效果影响较大。赵荣珍等[38]利用中值滤波方法对转子的振动信号进行滤波处理，但是这种滤波只能处理随机噪声。赵汝进等[39]利用广义卡尔曼滤波方法对信号的噪声成分进行滤波处理，但是卡尔曼滤波方法存在线性化误差，滤波结果不稳定。胡劲松等[40]利用 EMD 算法进行了滤波处理，虽然EMD 算法不需要像小波一样选择母小波，但是 EMD 算法仍然不能针对特定的信号进行消噪而不影响别的成分。因此，以上的算法并不适用地面模拟空间下轴承振动信号背景噪声的消除，因此，必须采用能够针对特定频谱的消噪方法[41-46]。根据调研的文献，主要的消除特定频谱的方法包括陷波滤波法和自适应滤波法。陷波滤波法它是在频率域中实现的,设计多吸收点的、具有一定阻带宽度的陷波滤波器组，用于消除特定频谱干扰的基波和谐波成分。如果信号频谱间有混叠，则陷波滤波器会造成目标信号的损失；自适应滤波法。该方法的前提是目标信号和有效原始信号不相关。在此基础上，利用自适应滤波算法(最小均方或最小二乘法)，自动调整滤波器系数，以跟踪输入过程的变化，并实现目标信号的自适应抵消。这种方法在时间域进行，其本质与陷波滤波是一致的[47]。盲源分离算法是近期发展起来的一种非常有效的分离方法。其处理的对象是一组相互统计独立的信源经线性组合而产生的混合信号，最终从混合信号中提取出各自独立的信号分量。如果能够分析背景噪声的成分，从而构造一组噪声的虚拟信号，就可以将特定的频率成分剔除，并且不影响别的频率的信号，因此，论文选用盲源分离算法进行目标背景噪声信号的消除。

2) 信号的特征提取利用加速度传感器获得的振动信号，虽包含了有用的故障特征信息，但是原始信息数据量大，尤其是轴承寿命监测数据，通常是实时采集，或是间隔一定时间段采集，因此，整个实验过程采集到的振动数据动辄几十上百兆，如此海量的数据分析起来难度巨大。因此，必须对采集到的数据进行特征提取处理，以简化后续处理的数据量，避免数据灾难。另外，实时采集到的轴承的运行数据中包含了轴承多种形式，多种特征集合，多种状态征兆的信息，这些信息蕴含在多个特征空间中，而采集到的轴承的振动信息只有一维的时域信息，因此，仅仅利用一维的振动信息不能实现轴承特征的完整展现，必须从多特征域获取全面的状态信息。现有的特征提取方法分为时域、频域和时频域的特征提取三种。

a. 时域和频域特征

信息处理时域的特征提取方法较多，主要的提取方法分为有量纲的统计指标和无量纲的统计指标，有量纲的统计指标主要由峰值、平均幅值、方根幅值、有效值、均方值、标准差、偏度指标、峭度指标等。无量纲时域特征参数为偏态因数、峰态因数、波形因数、脉冲因数、峰值因数、裕度因数等。虽然都是时域统计指标，有量纲的统计指标幅值域会随着故障的发展而上升，对于早期故障较为敏感，但是随着工作条件(如负载、转速、仪器灵敏度等)的变化而变化，不是特别稳定。而无量纲统计指标对于信号的幅值和频率的变化不是很敏感，即和轴承的工作条件关系不大，但是它们的敏感性随着故障的发展反而降低。因此，针对不同阶段的应用，应该恰当的选择。频域特征指标主要是选取与轴承状态较为相关的频谱成分，如轴承某个故障部位的缺陷频率，相应的幅值等信息，从而较好的展现轴承状态特征。时域和频域的特征指标由于计算较为简便，不涉及到参数的选取，因此，应用较为广泛。徐小力等[48]利用振动烈度等时域指标对机械的振动状态进行跟踪。2006年，HaiQin 和 JayLee[49]研究了轴承磨损时域信号的均方根随时间的发展，研究结果表明均方根的变化能够较好的反映轴承的磨损程度。2011 年 Shichang[50]采用了时域和频域的特征提取方法对轴承的振动信息进行了特征提取，共提取了 17 个时频域特征信息，然后将这些特征信息作为轴承状态预测模型的输入量，进行了寿命趋势的预测，获得了较好的效果。

b. 时频域特征提取方法

除了传统的时域和频域信号处理方法，小波，EMD 分解等时频分析方法被广泛的采用。由于轴承运行状态的非线性特征，使得采集到的振动信号通常是非线性非平稳的，而时域或是频域的特征提取方法对于信号的非线性信息并不敏感，无法反映轴承运行过程中的细微的变化，因此，采用非线性的小波，EMD 等特征提取方法可以有效的解决这一问题。Wang 等[51]利用小波变换对变速箱齿轮进行了早期故障诊断。秦毅[52]提出了一种新的二进小波方法，并将其用于轴承信号的特征提取中，取得了较好的效果。赵学智等[53]利用小波包分析对轴承进行了早期故障诊断。程军圣[54]提出了基于 EMD 的能量算子的解调方法，并对滚动轴承和齿轮箱故障信号进行了应用验证。柏林[55]提出了一种小波-形态-EMD 综合分析方法，并将其应用到齿轮箱的早期故障诊断中。杨宇[56]提出了一种基于 EMD 和奇异值分解技术的故障诊断方法，并对滚动轴承进行故障识别。

3) 特征信息的融合与衰退性能指标的建立获得了多个域的特征信息后，如何能够实时的反映出设备的退化趋势，从而掌握轴承退化随时间变化的规律，实现有效的状态判定和趋势预测是进行寿命预测的核心问题。解决这一问题的思路是建立衰退性能指标，特征指标反映的轴承的退化信息越全面，越准确，越能将早期 “近似”的微弱状态予以区分。传统的衰退性能指标主要采用的是时域的 RMS、峭度、峰值指标等，如：丁锋[57]等将 RMS、峭度、峰值指标三个量作为轴承的衰退性能指标，实现了轴承寿命的预测。潘紫微[58]将 RMS 作为轴承的衰退性能指标，建立了轴承退化的预测模型。Thomas[59]利用 Kurtosis 和 RMS 对模拟空间环境下的机械振动监测和状态进行了跟踪。可以看出，时域的均方根 RMS 被较多文献选用为轴承的寿命判定的特征指标，但是 RMS 在探测轴承早期缺陷时，敏感性很低。因此，对于本论文所要重点研究的空间状态下轴承的早期精度的退化趋势，均方根值并不是最好的选择。Nagi Gebraeel[60]利用轴承的故障频率及其前 6 个谐波的幅值作为轴承的衰退性能指标，根据这一指标对轴承的剩余寿命进行了预测。但是这种基于频域的指标的退化趋势预测方法研究相对较少，由于傅里叶变换的过程中是将频域进行了均值化处理，因此，基于频域的指标反映的是设备整个退化过程的平均趋势，对早期故障同样不敏感。为了建立更为有效的衰退性能指标，相关的研究人员进行了大量的探索，2006 年 Liao[61]基于 PH 模型和 Logistic 回归模型对轴承状态进行评估。Jin Chen[62]基于提升小波包和模糊 C 均值聚类建立了轴承的衰退性能指标，实现了轴承寿命的预测。但是，这些指标量的建立基本上都是依靠单一的指标量进行退化状态的分析，而轴承运行状态的复杂性，通过单一一个域内的指标量不能有效的反映出轴承退化过程中多个征兆，多个影响因素的作用，因此，必须融合多个指标量，获得能够全面反映轴承衰退性能的指标。基于空间映射的数据融合方法通过融合多个指标量在投影空间加权出新的指标量，实现对不同投影空间特征的全面有效的概括。特征融合方法包括主分量分析 (principal component analysis PCA)[63]、奇异值分解(singular value decomposition SVD)[64]、核主分量分析 (kernel principalcomponent analysis，KPCA)[65]、流形学习(manifold learning)[66]等。陈才扣[67]利用核主分量分析对小波特征信息进行了融合，论文验证了基于核主成分分析进行特征融合的效果。高海华[68]利用核主分量分析融合了多个非线性的特征信息。JianBo Yu[66]基于流形学习的LPP算法建立了轴承的衰退性能指标，但是流形学习算法本身不够稳定，并且参数的选取暂时还没有统一的方法。由于PCA具有较好的空间映射和融合的特点，自身较为稳定，不存在参数的选取问题，且主成分在空间状态下反映的是多个特征信息的空间分布，尤其是第一主分量，能够用最小的特征信息表征主要的特征空间分布特性，从而能够更好的表征空间轴承寿命特征的本质属性。基于此，论文选用主成分分析进行加权融合获得轴承衰退性能指标。

4) 人工智能预测模型的建立人工神经网络 ( artificial neural networks，ANN )、支持向量机 ( support vectormachine，SVM ) 是目前应用最广泛的两种人工智能理论。由于人工神经网络具有独特的类似于人脑的学习和预测能力，因此在机械设备寿命预测应用中受到不少青睐。潘紫微等[58]提出基于神经网络的多特征和多步轴承寿命预测方法，通过神经网络模型的多次迭代实现轴承状态趋势的预测。Zhigang Tian等[69]建立了基于神经网络模型的剩余寿命预测模型，通过利用失效数据和截止数据对模型进行训练，有效的预测了轴承的剩余寿命。Shichang Du等[70]基于神经网络模型对轴承的退化过程进行了预测，获得了较好的效果。Aiwina Heng[71]基于神经网络模型研究了轴承的可靠性，对于轴承的寿命进行了预测。Abd Kadir Mahamad[72]基于神经网络模型对轴承剩余寿命进行了预测，作者将RMS和峭度值作为模型的输入量，通过不断的修正模型提高预测的精度。但神经网络是以实际输出与期望输出的均方误差为适应度函数，因此为提高网络精度会追求高适应度值，容易导致优化、搜索训练过多，造成网络“过学习”或“欠学习”，影响泛化精度；而且优化算法选择不当还易陷入局部极小[73]，这会破坏神经网络输出结果的稳定性和可靠性。SVM是VAPNIK提出的基于结构风险最小归纳原理的新型学习机制[74,75]，它能够有效地避免神经网络算法中过学习、欠学习、局部极小等棘手问题，在小样本条件下具有较好的泛化能力[76]。由于本项目的对象是针对空间状态下的轴承性能退化数据，样本数量小，试验预测精度要求高，因此，支持向量机模型针对小样本情况下的较好的预测能力比较符合项目的要求。目前，SVM在解决分类、回归分析、模式识别寿命预测等问题方面取得了效果，并且已应用于股市预测、化学成分预测、语音识别、材料退化性能分析等领域[77-80]。对于机械设备状态监测与寿命预测问题，近年来SVM也得到了较大的应用。Chuang Sun[81]利用SVM建立了轴承的寿命预测模型，作者指出所得结果表明建立的模型具有较好的预测精度。Wahyu Caesarendra[83]建立了基于SVM的轴承寿命预测模型，利用峭度作为轴承衰退性能指标，对模型进行了训练。F Zhao[83]利用最小二乘支持向量机对轴承的退化性能进行了预测。Achmad Widodo[84]建立了基于SVM的轴承剩余寿命评估模型。基于支持向量机能够满足在小样本的条件下实现高精度寿命预测的特点，因此，论文利用支持向量来构造寿命预测模型，但是支持向量机的参数选取是影响寿命预测效果的一个需要解决的问题，由于参数选择具有随机性，不同的研究人员可能选择不同的参数，因此必须研究相关的参数选取原则[85]。本项目针对空间滚动轴承的寿命预测技术进行研究，结合民用航天预研项目、中央高校基本科研业务费自然科学重大项目“多场耦合作用下空间活动零部件失效机理研究”而展开，论文选用包涵空间滚动轴承寿命特征信息丰富的振动信号为研究对象，通过研究空间滚动轴承精度失效导致性能退化的激振机理，揭示空间滚动轴承振动特征随退化趋势的演变规律；通过对空间滚动轴承振动信号的处理，提取空间滚动轴承衰退性能指标；通过构建人工智能模型，实现空间滚动轴承寿命预测。从而为空间滚动轴承的寿命预测技术的实现提供基础。

1.3.3 轴承寿命分析

软件国内外研究现状空间轴承寿命分析软件的研究还刚刚起步，现有的大多数的研究都是基于地面常规条件下的轴承进行分析，如美国的 Reliasoft 软件作为轴承寿命分析和预测的顶级软件，在传统的轴承可靠性分析领域应用广泛，软件界面如图 1.1 所示。美国的 RELEX 可靠性分析软件，可实现可靠性分析，预测，维修等一系列的工程需求。软件界面如图 1.2 所示。美国的 ITEM 软件，广泛应用于工程安全性分析和可靠性预测，软件的界面如图 1.3 所示。以色列的 ALD 可靠性分析软件，被应用于工程设备的可靠性评估上，软件界面如图 1.4 所示。国内可靠性软件为数不多，主要有信息产业部电子第五研究所—可靠性研究分析中心开发了可靠性维修性保障性工程软件 CARMES，国防科技大学可靠性研究中心开发了故障树分析与仿真软件 FTAS，内同国外同类软件相对比，在功能和种类上都有很大的不足。然而，这些软件需要大量的轴承总体试验数据，且不重视个体的微观变化信息，分析结果是在给定条件下的“平均属性”；没有充分利用失效前的相关的信息，且这些软件并没有考虑到空间特殊的环境特性。因此，并不适用本文的研究。专门针对空间状态下的轴承研究的软件如美国航空航天集团开发了空间系统工程数据库(SSED)，如图 1.5 所示,，该数据库通过系统工程数据库的形式将空间飞行器中的各个零部件在以往的发射过程中出现的问题予以说明，从而可以针对特定的零部件如轴承的失效特性，失效案例进行分析，但是这只是一个查询库，并不是针对空间轴承寿命进行分析的软件。因此，必须在充分结合空间轴承失效机理的基础上，结合相关的研究，开发一套针对空间轴承可靠性分析和寿命预测的分析软件。

1.4 论文主要工作

针对空间滚动轴承寿命预测技术的迫切需求，论文以包涵空间滚动轴承寿命特征信息丰富的振动信号为研究对象，通过振动信号的处理、特征提取、寿命预测对空间滚动轴承的寿命预测方法进行了研究，论文主要工作内容如下：

第二章，针对极端环境下空间滚动轴承失效机理复杂、失效特征难以表征的问题，研究空间滚动轴承精度失效导致性能退化的激振机理，建立空间滚动轴承振动信号和退化性能之间的联系，揭示空间滚动轴承振动特征随退化趋势的演变规律。

第三章，针对地面模拟空间环境实验中空间滚动轴承振动信号背景噪声较为严重的问题，研究利用盲源分离算法进行背景噪声消除的滤波方法。分析地面模拟空间环境通过加速寿命试验采集到的轴承振动信号的背景噪声成分及其特征，研究背景噪声虚拟信号的构建方法，构建盲源分离模型消除背景噪声。

第四章，针对空间滚动轴承寿命退化趋势指标难以构建的问题，研究基于空间特征信息加权融合的衰退性能指标构建方法。研究时域、频域和时频域的特征信息的提取方法，探索这些多维特征信息的空间分布，构建基于数据空间映射及加权融合的特征指标。

第五章，针对传统的寿命预测方法不能有效预测空间滚动轴承寿命的问题，研究基于优化支持向量机的空间滚动轴承寿命预测方法。研究空间滚动轴承的退化趋势预测和剩余寿命预测。

第六章，研发空间滚动轴承性能退化趋势预测模块、剩余寿命预测模块、人机交互等功能模块，实现空间滚动轴承寿命预测的功能。