下载掌阅APP，畅读海量书库
立即打开
风力发电机组是将大自然的风能资源转化为电能的一种机械设备，其主要的工作过程是风轮叶片在风力的推动下旋转，风轮产生扭转力和离心力，完成将风的动能转化为使叶片旋转的机械能的过程。风轮作用在主轴上的扭转力使得能量从主轴上传递到风电机组，最终在发电机上完成了机械能到电能的转换，其产生的电能再经过一定的处理直接送入电网，从而完成了整个发电过程 [18] 。
风力发电机组种类繁多，按照有无齿轮箱来分类，目前主流的变速变桨恒频风电机组主要分为双馈式和直驱式两大类。
双馈风力发电机组其结构如图 1-6 所示。变速恒频双馈风力发电机定子侧是直接同电网连通的，转子侧通过一组双向的变流器接入电网，此时定、转子两侧都有可能同电网相互馈送能量，所以被称为双馈异步风力发电机组。
双馈风力发电机组的特点：
①经过多年发展技术已成熟，能够被电力市场认可，运行过程比较稳定。
②在原动机变速运行时仍然能够实现高效、优质的发电，保证发出恒定频率的电能。
③转子侧变流器仅需要 25%的风力发电机额定功率，降低了变流器造价。
图 1-6 双馈风力发电机组结构图
④可控参数多，电压、频率、转速、有功、无功等参数可调，系统稳定性高。
⑤产生较低水平的谐波，电能质量较高。
⑥控制复杂，技术难度和维护难度增大。
直驱风力发电机组其结构如图 1-7 所示。风直接作用在桨叶上推动其旋转，产生旋转力矩。直驱型风力发电机组没有齿轮箱，故发出的电能是低速低频的，达不到工频要求，不能直接并网，需通过AC-DC-AC变换成同电网一致的交流电源电压，所以直驱型风力发电机组是以永磁发电机和全功率变流器为核心的风力发电系统。
图 1-7 直驱风力发电机组结构图
直驱风力发电机组的特点：
①可利用风速的调整范围较大。
②传动系统结构简单，提高了整机运行的可靠性。
③去除了齿轮箱，降低机组维修和维护费用以及机械损伤发生概率，机组的可靠性和效率得到提升。
④采用全功率逆变器，具有低电压穿越和电容补偿能力。
⑤采用全功率变流器，减小了电网和发电机之间的相互影响。
⑥发电机不但不消耗系统无功功率，还可提供无功功率，能够保证系统的稳定性。
⑦极对数多、电机直径大，成本高。
⑧定子绕组绝缘等级要求较高。
⑨起动时的定位转矩比较高，故起动较困难。
齿轮箱、主轴、联轴器、制动器等共同组成了风力发电机的机械传递系统。传动系统的布置方式和结构种类样式繁多。轴系的结构主要和机组所采用的发电机类型有关，采用齿轮箱增速和普通发电机，其轴系尺寸和重量小。直驱型机组的传动系统结构相对简单。
齿轮箱在风力发电机组中的重要作用是提高转速以满足发电机的需求。齿轮箱的输入轴和传动轴通常有两种布置形式，一种是合为一体，另一种是分别布置。齿轮箱易遭受酷暑、严寒和极端的温差影响，一旦发生故障，修复困难，故对其可靠性的要求比一般机械要求高。齿轮结构一直以来都是机械中应用比较广泛的一种传动装置，能够增速、减速、变换旋转方向和改变转矩。同其他传动结构相比，齿轮结构的特点是结构紧凑，传递速比范围广，传动效率高，能保证瞬时恒定的传动比，传功平稳、准确、可靠，可实现平行或不平行轴之间的传动，适用范围广。
在传统的风力发电机中，主轴是风轮的转轴，支撑风轮并将风轮的扭矩传递给齿轮箱，将轴向推力、起动弯矩传递给底座。如图 1-8 所示的主轴，其法兰面连接轮毂，轴颈用于安装轴承，轴端圆柱面则与齿轮箱的输入轴相配合，通过联轴器传递扭矩。
图 1-8 风力发电机主轴轴承
联轴器，顾名思义就是用于连接两传动轴的装置。联轴器连接的两轴一般属于两个不同的机器或部件。联轴器的主要作用是传递转矩，有时能起到补偿轴间偏差的作用。联轴器种类很多，按两轴的相对位置可分为：固定式、可移动式。
风电机组必须有一套或多套制动装置能在任何运行条件下使轴系静止或者空转。制动器按制动块的驱动方式可分为气动、液压、电磁等形式。
偏航系统是水平轴风力发电机必要的组件。偏航系统作用是改变风力发电机的迎风角度，从而提高发电效率。偏航系统主要有主动、被动偏航系统。大型风力发电机很少采用被动偏航系统，被动系统不能实现电缆自动解扭，易发生电缆过扭故障。主动偏航则是使用电力或液压驱动调整机舱对准风向。
轴承在风力发电机中普遍使用，有变速器轴承、主轴轴承、发电机轴承和偏航轴承等。变速箱的轴承中，大量使用滚动轴承，常采用圆柱滚子轴承、圆锥滚子轴承、调心滚子轴承。主轴轴承一般由两个调心滚子轴承组成。
风电机组是集电子、电气、机械、自动控制、复合材料等为一体的综合性产品，因此在运行过程中，电气、机械、控制等环节都有可能发生故障。
风电机组的电气设备通过变频器等电气设备与电网连接，向电网输送电能的同时控制电能参数，调节风电的功率和频率，最终实现风电机组的软并网。随着大功率直驱型并网风电机组的快速发展，电气系统在风电机组的总投资的比例和其故障率都居高不下。电气系统部件较多，故障种类也多，主要有短路、过电流、过载、过电压、无法启动变频器等故障。风力发电机故障多发主要和其长期高速运转及机械因素有关。轴承故障是占比最大的发电机故障成分，定子绕组、转子绕组故障次之。导致故障发生次数最多的是电气系统故障，但是齿轮箱、滚动轴承以及偏航系统故障是导致停机时间最长和损失最大的故障。一般来说，齿轮箱的传动比都很高，发生在齿轮上的功率传递也是非常大的。轴承是任何旋转设备中都不可缺少的部件，起着支持和传递能量的作用。由于风的随机性属性，风电机组的传动部件（轴承、偏航系统等）的运行环境比其他旋转机械设备的运行环境更为恶劣，因此会加快传动部件的损伤进程。
滚动轴承（rolling bearing）一般由内圈、外圈、滚动体和保持架四部分组成，如图 1-9 所示。在运行过程中，滚动轴承外圈固定在轴承座或箱体上，起支撑作用，内圈与传动轴配合并随轴转动，滚动体在保持架的作用下均匀分布在滚动轴承内圈和外圈之间，将相对运动表面间的滑动摩擦转换成滚动摩擦，滚动体数目、大小和形状决定着轴承的承载能力。
图 1-9 滚动轴承示意图
在运转过程中若存在润滑不良、生锈腐蚀、装配不当、碰伤裂纹、挤压变形、温度不适、不对中、转子不平衡、滚动体大小不均匀、过载等情形，都将可能引起轴承的过早损坏。设计制造中的众多因素都将引起轴承失效，难以对其分析判断。
相关资料数据统计表明，滚动轴承故障约 90%发生于外圈和内圈上，10%左右发生于滚动体，保持架发生故障的概率很低 [19] 。滚动轴承有多种故障形式，大致分为以下几类：疲劳失效、磨损失效、胶合失效、断裂失效、塑性变形、锈蚀失效、保持架破坏等 [20] 。图 1-10 中给出了滚动轴承三种典型的损伤形式：疲劳失效、磨损失效和塑性变形。
图 1-10 滚动轴承常见故障形式
轴承运转过程中，交变的载荷会引起交变的应力，这是产生滚动轴承疲劳失效的主要原因。长期反复的交变应力作用于轴承，在其内圈、外圈与滚动体表面引起大的循环接触应力，对其形成一种巨大冲击，致使轴承表面产生微小裂纹，继续发展将引起轴承表层出现凹坑、点蚀或剥落，导致轴承失去正常工作的能力，造成运转时的冲击载荷、噪声及振动加剧。
磨损失效是一种由于机械摩擦引起金属消耗或因残余变形而产生的渐变故障。一般情况下，轴承磨损故障会经历较长周期，不会即刻对轴承产生破坏。就其危害程度而言，远小于轴承表面损伤而引发的故障，但长期持续的磨损会使轴承的游隙增大，表面粗糙程度增大，降低轴承及设备的运动精度，加剧设备的振动和噪声。
当润滑不良、载荷过大、温度过高或高转速运行时，滚动体与滚道之间由于摩擦高温、局部过热而导致表面灼伤、融合在一起，造成轴承不能正常运行，情况严重时可能导致轴承不能转动。
早期的裂纹和灼伤或冲击，若不及时处理，将可能使得这些位置在轴承运行时产生不均匀的摩擦和热量，致使这些故障易发部位产生集中的应力，大大降低轴承强度，进而引发断裂失效。装配不当或载荷过高也会引起轴承断裂。
当轴承载荷过大时，滚动体与滚道之间受到极大的局部应力，因受热变形而引起额外的载荷，使轴承产生塑性变形，而不能正常使用。或者有硬度高的颗粒物质进入滚动体与滚道之间，在滚道表面形成划痕或凹痕，引起大的冲击载荷，严重时可造成轴承滚动表面剥落，使轴承在运行过程中产生剧烈噪声和振动。
水分、酸碱物质或者润滑剂氧化产生的酸性化学物质侵入轴承时，会产生腐蚀作用，在滚道表面形成锈蚀斑点，产生凹凸不平或剥落现象，致使轴承间隙变小，影响其正常工作。轴承不工作时，若其温度下降到露点，空气中的水分凝结成水滴，附着于轴承表面，也会产生锈蚀。
装配不良或使用不当，会使保持架因受到大的冲击、振动而产生折损、变形、磨损，使保持架与滚动体之间的摩擦加大，并随轴承的高转速运行，进一步加剧振动、噪声及温度升高的恶性循环，严重时可能使滚动体无法滚动，造成保持架损坏，或者引起保持架与轴承内外圈之间的摩擦。这种损伤将会进一步加剧发热、振动和噪声的产生，导致轴承损坏。
在风力发电机这种大型旋转机械的运行过程中，各部件运行状态复杂多变，影响设备运行的因素不断增多，使得其故障特征信息具有如下特性：
风电机组长期运行于变载荷、重载等恶劣环境中，无论是低速轴承或高速轴承都将承受严重的交变冲击，使其产生不对中、不平衡、磨损、裂纹、断裂、弯曲变形等不同程度的机械故障。当故障发生或发展时，将导致动态信号出现非平稳特性，它表征着某些故障的存在。如：风力发电机组在启动和停机时，轴承的振动和声学噪声信号都是非平稳的。即便在稳定运行状态，当发生摩擦或冲击时，电机转子的刚度、阻尼、弹性力等发生变化，也将引发轴承的非平稳振动。伴随着非平稳运行状态，一些平稳运行时不易反映的故障特征也将充分表现出来，使信号呈现非高斯、非线性特性。设备故障时，可被看作一个复杂的线性系统，其动态行为复杂多变，使得采集到的振动、声学噪声等信号的频率和统计特性具有显著的非平稳特性。
由于机组恶劣的工作环境，采集监测到的信号中将会包含强烈的背景噪声，尤其是在故障产生的初期阶段，故障特征和故障成分很不明显，故障信号本身极其微弱，加之故障信息常常被强烈的背景噪声淹没，信噪比很低。
由于机组零部件之间紧密联系、相互耦合，使得故障特征与故障原因之间关系错综复杂。同一种故障原因可能会引起多种故障特征，或者同一故障特征同时对应多种故障原因，致使故障特征与故障原因之间具有强耦合性，而并非一一对应的关系，给故障诊断工作带来巨大困难。
由于风电机组逐步大型化，不可避免地存在多重故障同时发生并相互耦合的现象，这使得故障特征信息的提取和分析处理都相当困难。
因此，风电滚动轴承在长期的恶劣环境下运行，上述特性将会给故障诊断过程中的信号采集与处理、故障特征的提取与选择、模式识别等环节带来困难。针对信号特性，研究每个环节有效可行的信号处理和故障诊断方法，是保证良好诊断结果的关键和重点。
机械设备故障诊断的任务是对设备或部件进行状态监测，采集和分析相关数据和信息，进而对设备或部件的运行状态作出客观真实评价，以此判断故障发生的部位、类别、故障严重程度及故障产生原因等。因此，故障诊断的实质是对设备或部件运行状态的模式识别问题，该过程主要包括三个关键环节：信号采集与处理、故障特征的提取与选择、模式识别。滚动轴承故障诊断的一般过程如图 1-11 所示。
图 1-11 轴承故障诊断过程
故障诊断的首要工作是信号的采集获取，依据故障诊断方案和技术路线，确定需要采集的信号，由各种传感器采集现场能够反映设备运行状态的信息，再将其转换处理成便于故障分析和判断的有用信息。
机械状态监测的信号采集与处理往往是一个完整的计算机系统，一般主要有三个模块 [21] ：信号采集模块、工艺参数信息采集模块和开关量采集模块，如图 1-12 所示。
图 1-12 计算机信号采集与处理系统
A/D转换是信号工况监视与故障诊断系统中的重要环节，它将监测到的模拟信号转换成数字信号，以便计算机分析与处理。A/D转换将模拟信号 x （ t ）按一定的时间间隔Δ逐点取其瞬时值 x （ k Δ）。
Shannon采样定理给出了带限信号（信号中的频率成分 f ≪ f max ）不丢失信息的最低采样频率 f s ，即：
式中， f max 为信号中最高频率成分。
在选择采样频率时，必须确定测试信号中感兴趣的频率成分。对故障诊断来说，需要确定能够反映设备运行工况，并提供诊断依据的频率范围。对于不同的机械设备，其各自的工作频率不同，对采样频率也有不同的要求。在采样过程中，为保证无频率混叠现象，要么提高采样频率，要么在A/D转换前让模拟信号通过截止频率的低通滤波器。因此，在对模拟信号进行滤波处理时应统一考虑滤波器的截止频率和采样频率的相互关系。
A/D转换器的位数是一定的，一般为 8 位、12 位和 16 位。因此，在转换过程中需要引入量化误差。量化误差范围与A/D转换器的位数呈负指数关系。增加A/D转换位数可以减少量化误差，提高A/D转换精度。但位数的增加会直接影响数据转换速率，影响采样频率的提高。此外，增加A/D转换器位数会造成实际系统成本的显著增加，因此在确定A/D转换器位数时需要综合考虑以上因素。
在对经A/D转换后的数字信号进行谱分析时，理想数据是对数个完整的工频周期采样得到的，这样可以减小栅栏效应的影响，有效地避免谱泄露，提高谱估计结果的正确性。
常用的谱估计方法，如快速傅里叶变换，一次处理的数据点数为 2 n ，若要求 2 n 点数据正好是数个完整的工频周期内的模拟频率信号的采样值，其必要条件是在每一个工频周期内进行 2 n 次采样，也就是说，采样频率应为设备工频的 2 n 倍。其中指数 n 的值可视拟分析的上限频率确定。
采样频率和采样起始时刻等也必须根据机器的实际运行工况进行选择。采样控制模块的主要任务就是协调和控制采样电路的正常工作。
在采样控制中，转速的正确测量是基础。主要实现以下功能：提供一个相位基准信息，为工况分析和故障诊断提供重要的特征信息；转速信号可用于采样频率的确定，控制采样，以保证振动信号的周期采样。
因此，采样控制电路对振动信号采集模块不断发出控制信号或指令，以协调整个模块的正常工作。主要完成以下功能：通道选择控制；交直流选择控制，可以分别采集信号的交直流分量；采样控制模块不断向采样电路发出来自转速传感器的脉冲信号，控制采样的起始时刻，以保证整周期采样。
A/D转换后的数字信号需经适当预处理后方可进一步分析，预处理主要包括异常值处理和标定两方面的内容。
在由传感器、信号调理至A/D转换的过程中，任何一个中间环节的瞬时失常或外界随机干扰都可能导致数字信号中含有异常值。数字信号的各种分析处理方法对异常的鲁棒性也各不相同，部分情况下，即使是一个异常值的存在也会在很大程度上影响处理结果，这就对异常值的识别和处理提出了要求。
3 σ 规则是常用的异常值处理方法，该规则是基于测试数据的平稳状态假设。尽管平稳正态性过程具有广泛的代表性，但并非适用于所有的测试数据，因此 3 σ 规则在处理实际问题时具有一定的局限性。异常值处理的其他方法还有很多，例如模式识别方法等。但在实际工况监视与故障诊断系统中，考虑到分析、诊断的实时性要求，须在处理方法的简便性和有效性两方面进行权衡。
由于A/D转换及精度原因，各种检测信号在经A/D转换之前一般已被转换成标准电信号（4~20 mA电流信号或 1~5 V电压信号）。因此，在对转换后的数字信号进行分析处理之前，还需要通过适当的线性运算将采样值转换，并根据传感器灵敏度系数转换为实际物理量。
不同的故障诊断方法需要测量的信号和参量不同，判断轴承故障常用的方法有：振动检测、声学噪声检测、油液检测、温度检测、图像检测等。
●振动检测
振动是指设备相对于当前平衡位置产生的交变运动。平衡位置自身也可能有缓慢的变化，因此振动是比平衡位置变化更快的交变往复运动。振动是设备动力学特性的表现，设备运行时都会不可避免地产生振动，几乎所有的故障类型对振动信号都会产生影响，且不同类型的故障其振动特征不相同。振动信号对故障的反映最迅速、灵敏，便于故障监测和故障早期预警，因此基于振动检测的机械设备故障诊断是最常用的方法。振动信号常用加速度传感器、速度传感器和位移传感器进行测量。一般情况下，10 Hz以下的低频信号常用位移传感器测量振幅参数作为衡量振动的标准；10 Hz~1 kHz的中频信号采用速度传感器测量速度参数；1 kHz以上的高频信号采用加速度传感器测量加速度参数。滚动轴承的每一种故障都对应于特定的频率成分，其振动频率既有低频，又含有高频，因此常以加速度参数作为衡量振动的标准。
●声学噪声检测
声学噪声是机械设备产生的人们工作和生活不需要的声音，常简称为噪声。轴承滚动体与内圈、外圈之间的摩擦、撞击、振动及不平衡转动都将产生噪声。对于风力发电机组，其噪声有周期性的和非周期性的，噪声源有线性的和非线性的，常采用声级计进行测量。用来衡量噪声的物理量有声强、声压和声功率。对于滚动轴承的噪声，一般采用A频率计权网络测量声压级。
●油液检测
油液在机组运行过程中会不可避免地受到污染，对油液情况进行监测，依据其受污染的程度或油液中颗粒物质的颜色、数量、形态、尺寸、分布等情况，可对轴承的运行状态进行诊断。常见的油液分析法有：常规理化分析法、原子光谱分析法、红外光谱分析法、铁谱分析法、颗粒技术分析法等。由轴承的运行环境、油液品种等具体情况，可以有定量、半定量和定性三种方法，检测油液中的积炭、胶质、高聚物、不溶物、金属颗粒、灰尘等物质，以此分析轴承的污染程度，预测轴承的运行状态，对其进行故障分析。污染测试仪和颗粒计数仪是常用的检测仪器。铁谱分析法和发射光谱分析法可通过检测油液中的金属颗粒大小和成分，预测和鉴定轴承的失效原因。当轴承出现微小裂纹时，其油液中将会出现很小的（直径 1~5 μm）金属球颗粒；当油液中有较大程度（10 μm以上）的长条剥落颗粒时，表示轴承已有非正常的磨损，其程度较严重；当颗粒长度达到100 μm以上时，轴承已发生失效，不能正常运行。由发射光谱分析法，依据油液中检测的不同金属元素，也能对轴承运行状态做出预测。当检测到锌、钙、磷、钡元素时，表明采用了新的润滑油，这些元素是润滑油中自带的添加剂；当检测到铁、铜、铅、铬时，表明轴承发生了磨损；若检测到钠、硅、钡等元素，表明有外界环境污染杂质带入轴承油液。因此，油液分析也是机械设备故障诊断常用的方法。
●温度检测
轴承的正常温度根据其散热、热容量、负载、转速等具体情况有所不同，随着轴承的运转其温度会慢慢上升，数小时之后达到稳定。在运行过程中，摩擦、加减速、润滑问题、载荷变化、冲击等因素都会导致轴承温度迅速上升，出现异常。因此，由温度传感器进行轴承温度实时监测和对比分析，能够对轴承故障做出诊断。
●图像检测
裂纹、点蚀、剥落、腐蚀等不同的轴承失效形式下表面的缺陷形态有很大差别，因此可以通过图像检测的方法判断不同的故障类别。将轴承故障的图像经增强、消噪、分割、复原等方法预处理后，提取其故障形状、面积、周长等表征故障类型的相关特征，依据不同故障特征进行故障诊断。
本章主要研究基于振动和噪声检测的轴承故障诊断与分析方法。信号的预处理是特征提取的重要基础，其处理的效果对诊断的准确性有直接影响。一般情况下，信号的预处理包括以下几个过程：滤波、消噪、平滑、去趋势等。其中，最难处理也最重要的是消噪过程，即抑制或消除测量信号中的干扰信号成分，而保留或增强其有用信号成分。消噪问题是信号处理的经典问题，对于风电机组这种大型设备，长期处于强噪声和强干扰的工作环境下，采集信号的消噪处理就显得更为重要。
目前，常用的消噪方法有：小波变换方法、经验模式分解方法（Empirical Mode Decomposition，EMD）、稀疏分解方法等。
小波变换方法将信号进行多尺度分解，修正其尺度系数，再进行重构，对含噪信号具有良好的去噪效果 [22,23] 。阈值对小波变换方法的消噪效果有很大的影响 [24-28] ，文献[29]中采用了粒子群算法以均方误差最小为准则，寻找小波变换的最佳阈值，得到了良好的去噪效果。文献[30]中采用了多小波的消噪方法，将其应用于局部放电模型中，抑制噪声干扰能力强，但多小波变换方法要求的输入信号是矩阵或矢量形式，对于普通标量需要先进行转换。还有很多研究人员将小波变换与其他方法相结合，在不同场合取得了好的消噪效果，如：文献[31]中采用了一种自适应加权形态滤波器，将形态开、闭运算与自适应消噪方法相结合，用于轴承振动信号的消噪处理。文献[32]中提出一种最小熵反褶积的降噪方法，该方法最早被用于地震波反射数据，将其用于振动信号的降噪处理，可从噪声中获取冲击性大的故障信号。
经验模态分解方法，将信号分解为包含了不同时间尺度局部特征的多个本征模函数，再进行处理和重构，达到消噪目的，有很高的信噪比，适用于非平稳、非线性信号的分析与处理 [33-35] 。边缘效应是EMD方法的一个重大缺陷，有待于完善，因此很多学者将其与其他方法结合使用，以取长补短。文献[36]中提出了一种分段EMD阈值去噪方法，该方法抗噪能力强，当信噪比较低时能够显著提高盲分离算法的分离性能。文献[37]中针对EMD算法的缺陷，研究了自适应滤波特性，经实验验证获得了良好的去噪效果。文献[38]中提出了一种基于EMD的脉冲星信号算法，大大提高了其辐射信号的信噪比。文献[39]中对GPS信号的随机噪声先进行小波消噪，再利用EMD分解分离和提取信号的特征信息，也有很好的去噪效果。
稀疏分解法在给定的字典中以尽可能少的原子对信号进行表述，从而以更简洁的方式表示信号，达到消噪目的 [40-42] 。其中，字典的选择和信号的稀疏分解是两个关键问题。文献[43]中以Ricker子波构建原子库，对地震信号消噪达到了很好的效果。文献[44]中构造了两种过完备原子库，对比分析其降噪效果，并进行了理论推导和实验验证，在指静脉结构的图像去噪中取得了较好的效果。文献[45]中结合稀疏分解和最小能量模型截断法的截断稀疏分解方法，针对混沌信号取得了良好的去噪效果。
将采集的数据经过滤、筛选，得到有用的信息，再从众多特征中找出最有效的、最能够反映故障特性的特征，将维数较高的原始测量数据转换为维数较低的特征向量，以降低故障诊断的计算量及模式识别难度。在实际应用中，风电机组及滚动轴承运行状态是强噪声环境下非线性、非高斯性、非平稳的，因此采集的数据也具有这些特性。特征提取与选择工作的关键是从采集的数据中分析各种故障特征的有效性，从中选择出最有代表性的故障特征，其一般过程如图 1-13 所示。
图 1-13 特征提取与特征选择的一般过程
从采集的数据中，经分析和筛选，抽取能够反映故障分类的本质特征，以及便于区分的重要特征，分析特征之间的相关性，考查特征因子之间及特征因子与目标之间的相关关系，去除冗余的相关因子和重复的描述量，以此改善模式分类器的性能，降低其工作量和计算量。经特征评判，衡量筛选后的特征能否增大类别差距、提高分类效果。从评判结果中，选择能够描述样本的少量特征，达到降维目的。最后分析和掌握样本特征空间的总体分布，若分类效果不理想，依前述过程重新进行特征提取。
合适的特征空间是模式识别的关键和重点，具有紧致性的分布，即各类样本之间分散，而样本内部密集，是设计性能优越的分类器的基础。若特征空间的样本不具备紧致性，即便是良好的设计方法也无法实现准确的故障分类。
基于振动信号的故障特征提取方式主要有以下几种：时域、频域、时频域、信息熵。
振动信号的时域特征参数可分为有量纲（均值、峰值、均方差等）和无量纲（波形因子、峭度因子、峰值因子、概率分布等）两种，常用的频域特征参数有频率重心、总功率和、均方频率、频率方差等 [46-56] 。
滚动轴承各部位的故障特征频率与轴承的转速和几何参数有关。若用 r 表示轴承转速（单位：转/分）、 n 为滚动体个数、 d 和 D 分别为滚动体直径和轴承节径，α为滚动体接触角，则有：
将信号的时域波形进行傅里叶变换即可得到其频域表达，对照上述各部分的故障特征频率，可粗略确定故障类型。
虽然振动信号对轴承的故障很敏感，但基于时域和频域的故障特征参数幅值和频率却对故障不十分敏感，它们只与故障的类型有关。并且单独的时域或频域统计特征是针对信号全域的统计，对瞬时特征没有意义。因此对于轴承这样的非线性、非平稳故障信号，单纯的时域或频域分析方法不能胜任。
常用的时频域方法有：短时傅里叶变换（Short-time Fourier Transform，STFT）、小波变换、EMD分解等。
短时傅里叶变换方法将信号进行小时间间隔的划分，对每个间隔进行傅里叶变换分析，以此确定该间隔内存在的频率。这种方法在一定程度上具有局部分析能力，但是只适用于分析平稳信号 [57,58] 。文献[59]中揭示了STFT解调方法的实质，进而研究了一种实用的STFT解调算法，并针对轴承故障振动信号进行解调分析，能够实现故障的有效检测。文献[60]中提出了一种基于瞬时转速的可变窗的STFT方法，适合于进行精细时频分析，具有良好的时频分辨率。文献[61]中将STFT与小波变换相结合，提出了一种基于Wigner-Ville分布的谱峭度算法，能够有效提取轴承的故障信息。文献[62]中针对滚动轴承的故障信号与转速相关，而无法直接从时频表达中直接提取故障信息的问题，引用STFT与快速谱峭度相结合的方法对信号进行滤波，提取信号的频率特征。
小波变换方法和EMD方法提取信号特征的原理与其消噪处理原理相同。为了更好地实现信号特征提取，通常与其他方法结合使用。文献[63]中针对小波分析存在频率混淆的缺陷，利用小波包改进算法进行频率补偿，对泵转子故障进行诊断。文献[64]中提出了一种能对信号进行自适应分解的经验小波变换方法，将其用于诊断机械故障，能够将信号的固有模态有效分解。文献[65]中将EMD和LMD方法对比分析，总结其优缺点，提出ELMD方法对振动信号进行分解，以此改进LMD方法的欠包络、过包络、模式混淆等缺陷。文献[66]中将小波相关滤波方法引入排列熵算法，对机械系统的早期故障进行诊断。文献[67]中以峭度为目标准则构造多小波，完成多种故障的一次性诊断与识别。文献[68,69]将EMD方法用于齿轮的裂纹故障诊断中，能够有效识别裂纹故障。文献[70]中针对齿轮箱的故障振动信号具有调制现象，基于EMD方法基函数的调频调幅性能，提出一种改进的Hilbert变换方法，实现齿轮箱的故障信号特征提取。文献[71]中利用EMD分解得到IMF分量，再进行包络分析，对液压泵的滑靴松动等早期故障能够得到较准确的诊断。文献[72]中将转子的故障振动信号进行EMD分解和三频段重构，采用分解后每层IMF分量的能量熵作为故障特征，以此对转子的不平衡故障和油膜涡动故障进行诊断。
排除信息中的冗余后其平均信息量即为信息熵，即某种信息出现的概率，它能够良好地反映和表达某系统的不确定性程度，因此广泛应用于信息管理、图像处理和故障诊断等领域。文献[73]中将相关系数法和能量法相结合，提取四种信息熵作为振动信号的故障特征，对转子故障进行诊断；文献[74]中提出一种谱熵方法，提取齿轮振动信号的故障特征，对齿轮的磨损和裂纹故障进行诊断；文献[75]中提出多尺度熵的信号特征提取方法，利用不同尺度下样本熵的不同，能够反映出变压器的不同工作状态，提取变压器振动信号的故障特征；文献[76]中采用EMD和信息熵相结合的方法，形成熵的特征向量，对转子进行故障诊断；文献[77]中将小波包和样本熵相结合，先对振动信号小波包分解，找出能量最大的子集，重构信号，并计算其样本熵，以此对轴承进行故障诊断分析。
在故障诊断中，提取了故障的特征信息之后，下一步的问题就是如何利用这些信息对设备的故障类型或部位做出正确的识别。在这一过程中，故障信息被利用得越充分，故障识别就会越准确可靠。模式识别，即根据各样本特征对模式进行分类。针对具体应用实例，不同的场合和具体情况，故障诊断系统的各部分内容将会有很大差异。滚动轴承故障模式识别的目的是利用计算机进行各种故障类型的识别，完成对故障样本的分类。模式识别与样本选取、特征提取和选择是故障诊断问题的一系列操作流程，三者是统一的过程。
模式识别的方法主要包括三大类：统计模式识别、结构模式识别和模板匹配识别方法，在实际应用中，结合具体情况，有很多具体的识别方法被提出。统计模式识别是研究最广泛、最深入的基本模式识别方法，是对模式的统计分类方法，即结合统计概率论的贝叶斯决策系统进行模式识别的技术，又称为决策理论识别方法，它涉及的技术较为完善，已基本形成完整的理论体系 [78-81] 。结构模式识别是用模式的基本组成元素（基元）及其相互间的结构关系对模式进行描述和识别的方法。在多数情况下，可以有效地用形式语言理论中的文法表示模式的结构信息，因此也称为句法模式识别。一个结构模式识别系统可认为由三个主要部分组成，它们分别是预处理、模式描述、语法分析。模板匹配是一种最原始、最基本的模式识别方法，研究某一特定对象物的图案位于图像的什么地方，进而识别对象物，这就是一个匹配问题。统计模式识别中分类器的设计方法有很多种，如贝叶斯分类器 [82-84] 、线性判别函数 [85-87] 、近邻法分类 [88-90] 、树分类器 [91-93] 、最小距离分类 [94-97] 、聚类分析 [98-100] 等。神经网络分析法在信号特征提取、故障诊断、模式识别、预测等系统中无法用公式或规则描述的大量数据处理方面，具有优越的性能及较强的适应性和灵活性 [101-104] 。由L. A. Zadeh提出的模糊逻辑与模糊集合理论，采用精确的公式与模型处理和度量模糊的、信息不完整的现象及规律，将其用于模式识别领域，应用于工程技术实践中 [105-109] 。核函数方法作为一种线性到非线性处理的桥梁，采用非线性映射把原始样本数据从数据空间映射到特征空间，在特征空间进行相应的线性处理，将样本数据分类，其思想被融入到其他方法中（如：基于核的主成分分析法 [110-114] 、基于核的Fisher判别方法 [115-119] 、基于核的投影寻踪分析法 [120] 等），广泛应用于模式识别问题中。粗糙集理论主要用来处理模糊数据集，从已知数据中，寻找某种规则或规律，实现预测及模式识别 [121-124] 。遗传算法 [125-128] 、蚁群算法 [129-132] 、粒子群算法 [133-136] 也被广泛应用于模式识别领域，主要用来实现优化处理。
随着当前计算机技术、信息技术的迅猛发展，滚动轴承模式识别方法正朝着智能化方向发展，具体体现为多种故障模式识别方法的融合。随着滚动轴承诊断技术的发展，单一的故障模式识别方法已不能很好地满足故障诊断的要求，为提高诊断的效率和准确率，多种方法的结合运用成为其发展方向。