在大数据背景下,互联网和物联网快速兴起,数据规模迅速扩大,数据呈现爆炸性增长趋势,机械大数据也随之兴起。机械大数据不仅具有大数据的共性,更有本领域的特性:大容量,多样性,时效性。在各种机械装置中,滚动轴承应用最广泛,但其承受冲击的能力差,易出现故障。滚动轴承一旦被破坏,必然会导致机组瘫痪乃至出现重大经济损失,因此对滚动轴承故障发生进行实时诊断具有重要现实意义。本文对滚动轴承在匀速运行下产生的非平稳准周期性振动信号进行分析,提出了一种基于后缀树的滚动轴承故障诊断方法,该方法可在时域检测范围内判断故障的发生位置。相关内容如下:本文首先提出采用数字编码的方式,将具有一定幅值的时域离散数字信号转换为二进制0/1数字数据,针对时域序列能量集中的特点对二进制数按固定编码的方式进行分块处理,对分块后的多时间序列进行后缀树的构建,按照依次逐后缀的方式将后缀树中所有的重复结构查找出来,该方式提升了诊断方法的抗噪性能。其次研究了基于后缀树的滚动轴承故障诊断方法的诊断规则,首先根据滚动轴承载波低频,冲击高频的特点,提出高频看冲击,低频看重复的初步诊断规则,将重复长度短的时间点与故障频率进行匹配,以确认故障发生位置。其次对仿真信号进行编码概率分析讨论噪声污染对各个时刻信号的干扰,确定了具体的诊断规则,可以更加准确的刻画故障特征。最后建立滚动轴承典型故障仿真信号模型,在不同信噪比的情况下检测基于后缀树的故障诊断方法在诊断中的性能。同时搭建了滚动轴承故障模拟试验台并在不同转速下进行故障信息的采集,通过对比,验证了基于后缀树的滚动轴承故障诊断方法在滚动轴承故障诊断上的实时性和良好的抗噪性能。