転がり軸受は回転機械において重要な構成要素であり、その故障は重大な経済損失や安全危険を引き起こす可能性があります。しかし、初期の故障信号はしばしば弱く、強い背景雑音に遮られるため、正確な故障診断は非常に困難です。この問題に対処するために、本論文では、改善された完全集合経験的モード分解（ICEEMDAN）、自己回帰（AR）モデル、およびオブザーバーに基づく固有値抽出を組み合わせた転がり軸受の故障診断方法を提案します。粒子群最適化に基づくカーネル極限学習機（PSO-KELM）を併用して、転がり軸受を使用する回転機械を対象とし、まずICEEMDANを前処理ステップとして適用し、非定常振動信号を複数の固有モード関数（IMF）に分解し、必要な故障関連情報をすべて抽出します。前処理された振動信号は再構成され、その後、ARモデルを使用してオブザーバーの状態空間表現を確立し、再構成された信号を処理して実際の機械信号と比較することで残差出力を生成します。その後、残差信号から平均、分散、最大値、最小値、尖度、波形因子、パルス因子、クリアランス因子などの特徴を抽出します。これらの特徴は故障診断のためのPSO-KELM分類器への入力として機能します。方法の検証には、正規の状態と外輪故障、内輪故障、転がり要素故障の3つの典型的な故障タイプを含む電動モーター軸受からの実際の振動データがケーススタディに用いられました。結果は、提案された方法が故障特徴の抽出と軸受状態の正確な特定を有効に行うことを示しています。
Dong et al. (Tue,) はこの問題を研究しました。