2.4.1 仿真实验的故障数据

为保证实验的准确性、有效性，本章依据美国西储大学公开的正常轴承和故障轴承的实测数据作为敏感特征量选取的数据样本。其数据测试环境如图2-2所示，其构成形式如表2-5所示（“*”代表数据文件存在）。

实验平台包括一台 2 马力的电动机（左侧）、一个转矩传感器（中间）、一个功率计（右侧）和电子控制设备。被测试轴承支承电动机轴。使用电火花加工技术在SKF轴承上布置了单点故障，故障直径分别为7mil、14mil、21mil。为了检验故障点是否对电动机轴承系统的振动有直接影响，试验中分别在电动机和风扇段的轴承外圈3点钟、6点钟和12点钟方向设置了故障点。

本章选用故障直径为7mil、转速为1797r/min、外圈顺载荷的数据做实验对象，将正常轴承、内圈故障轴承、外圈故障轴承、滚动体故障轴承的数据文件中120000个数据采集点作为实验样本，再将每种类型的实验样本整合到一个 MATLAB文件中。

2.4.2 属性约简的实验过程

在2.2节介绍了故障的时域和频域特征属性，合计15个属性。应用本章提出的二阶段数据预处理算法进行属性约简。第一阶段，经灰色关联度约简的结果如表2-7所示。

其中，属性为2.2节中所介绍属性的顺序排列。

按关联度值降序排列，进行二次属性约简，结果如表2-7所示，经二阶段数据预处理算法约简，得到6个特征参数作为神经网络的输入，分别是峰值因子（5）、峭度（6）、裕度因子（8）、波形因子（9）、均方根频率（13）和频率标准差（15）。

图2-3是二阶段数据预处理算法选取的滚动轴承特征参数的对应波形图，可以很明显地发现4种状态，满足参数选取原则。