滚动轴承是旋转机械设备的重要部件,在机械设备中起着支撑轴及轴上零件、保持轴的正常工作位置和旋转精度等作用,广泛应用于工业领域的各个方面。据统计,滚动轴承是旋转机械中最易损坏的零部件之一,其工作状态直接影响到整台设备甚至生产线的运转。因此,采用有效的方法对滚动轴承的运行状态进行监测及诊断,对于机械设备的稳定运行有着重要的意义。然而,在滚动轴承的故障诊断中,由于设备运行过程产生的振动、现场环境的噪声和测量误差等因素的影响,实际采集的滚动轴承振动信号往往表现出非线性和非平稳性,所提取的特征数据出现远离群体的异常值,这些异常数据对建模过程产生了不同程度的影响,导致建立的模型与实际情况之间存在偏差,影响故障诊断的准确性。针对上述问题,本文提出了基于优化加权的代理判别模型(Agent discriminate model based optimization weighted,简称ADMOW)。该方法根据各项特征参数的贡献度对样本特征值赋予一定的权值,以此弱化异常数据导致的模型偏差,然后根据各项特征值间的相互内在关系建立基于Kriging函数的代理判别模型,并通过优化算法对模型的参数进行优化,进一步弱化异常数据的影响。本文的主要研究内容如下:(1)以Kriging模型为基础,建立代理判别模型,该模型考虑了同类别样本的各项特征值之间具有相同的内在关系,而不同类别样本的特征值之间具有明显不同的内在关系。根据特征值之间的相互关系建立线性或非线性的数学模型,以模型对特征值的预测结果作为分类依据进行模式识别。(2)针对特征数据集中存在的远离群体的异常值,分别采用特征评价法和熵权法评估各项特征参数的贡献度,并根据贡献度的大小对特征值进行加权。将加权的模型应用于滚动轴承实验数据分析,结果表明,特征评价法和熵权法均能提高特征数据的稳定性,弱化异常值对建模的影响,提高滚动轴承故障识别率,而且前者对异常值的弱化效果更加明显。(3)将粒子群优化算法引入代理判别模型,对建立的模型参数进行优化。滚动轴承实验数据分析结果表明,参数优化后的模型能够进一步弱化异常值的影响,得到更加接近真实情况的分类模型,进而提高了模型的分类精度和故障识别率。