滚动轴承是最常见的一种机械配件,广泛应用于各类设备中。轴承故障也是机械设备故障的主要原因之一。滚动轴承的工作环境常常有着复杂且高强度的背景噪声,在轴承故障早期表现为不易发现的微弱故障。因此,如何从强背景噪声下的振动信号数据中提取出微弱故障信号对于预防设备严重故障停机或重大事故具有关键意义。随着非线性理论的发展,基于用非线性系统检测微弱信号的非线性检测方法被提出。由于噪声的影响,定性分析法难以确定转迁临界点,影响早期故障微弱信号参数的识别精度;定量分析法算法复杂,计算量大,难以应用到早期故障识别的工程实际中。本文将定性分析法与定量分析法相结合,基于噪声对周期运动系统相图影响小原则,引入相图相似度,利用次谐Melnikov函数给出周期运动保持的条件,探讨了强噪声背景下周期运动相图相似度的持久性,在此基础上,提出了相图相似度法识别微弱谐波信号参数、相轨迹法识别微弱周期冲击信号以及高效准确的相轨迹库相似度法。本文具体内容如下:基于强噪声背景下周期运动相图相似度的持久性,提出了早期故障低频弱谐波信号参数识别的相图相似度法。该方法的关键是构建适当的低频微弱信号,利用次谐Melnikov函数给出周期运动保持的参数条件,将构建的低频微弱信号与周期识别系统重构得到确定的基准周期系统,令待测低频微弱信号输入周期识别系统,得到待识别系统。利用相图相似度MSE判定同信号参数下基准周期系统与待识别系统相图的相似性最高,识别低频微弱信号参数。数值模拟的仿真结果显示检测最低信噪比SNR为-80.71d B。针对微弱高频信号因为其复杂且强噪声的背景,难以检测的问题,利用变尺度周期系统可以将大频率信号转化为一个小频率信号的特点,以强噪声背景下变尺度周期系统相图相似度的持久性为理论依据,将变尺度周期系统和相图相似度法相结合,构建了变尺度相图相似度法识别高频弱谐波信号的参数的识别流程。数值模拟结果和实际轴承的早期故障诊断结果显示:检测最低信噪比SNR为-62.38 d B,准确率为97.3%。针对微弱周期冲击信号,提出了相轨迹法识别。通过研究策动力对冲击信号作用下的Duffing-Holmes振子系统周期运动相轨迹的影响,得到了小幅值谐波激励下的周期系统相图对冲击信号激励更为敏感的结论。以强噪声背景下周期运动系统相轨迹的持久性为基础,利用MSE判定同参数下系统相轨迹的相似性最高,识别冲击信号的参数。数值模拟的实验结果验证了相轨迹法可用于微弱冲击信号的参数识别,根据某阵发性脉冲振动轴承实验数据的检测结果为绝对误差为6.35 rad/s,准确率为99.0%。针对现有非线性检测方法算法复杂计算量大,难以满足工程实际应用中对故障检测方法提出的“快”“准”的要求,以相图相似度法、相轨迹法为理论方法基础,结合深度学习技术提出了相轨迹库相似度法的故障检测方法。该方法参考深度学习技术对大数据的处理过程,建立相轨迹数据库及其标签库,将强噪声背景下周期运动相图相似度的持久性和相轨迹数据库及其标签库相结合,通过相图相似度判定同信号参数下基准周期系统相轨迹库与待识别系统相轨迹的相似性最高,识别微弱信号参数。搭建了基于相轨迹库相似度法的微弱信号检测软件平台,根据某轴承外圈故障实验数据进行验证基于相轨迹库相似度法的软件平台的可靠性。绝对误差为30 rad/s、相对误差为30/917≈3.0%的结果证明了本方法可以获得较高的检测效率,在相轨迹库搭建完成后,实际检测效率仅需约40秒,满足了工程实际应用中“快”“准”的要求。