滚动轴承作为航空发动机关键部件直接影响着飞行安全,对滚动轴承进行状态检测,尽早发现轴承的故障征兆,对于有效减少飞行事故的发生,实施滚动轴承剩余寿命预测具有重要意义。现有的滚动轴承状态评估较少考虑载荷和转速变化对轴承状态评估的影响,缺乏对特征灵敏度的研究和融合,对早期故障检测不灵敏,对轴承状态评估不准确,因此需要进行变工况下多特征融合。本文研究了航空发动机滚动轴承在变工况状态下的多特征提取与融合技术。主要研究工作体现在:(1)提出了三种多特征融合方法,即距离判别法、一类分类法和后验概率法。距离判别法是利用滚动轴承运行的正常数据的振动特征进行欧氏距离学习,并对未知状态与正常状态的距离进行比较。一类分类法是对正常数据样本的分布做出正确的描述,检验对未知样本的分类就是检验其是否服从分布。后验概率法是基于后验概率的支持向量机算法,使用正常状态和严重故障状态的样本数据,形成训练样本,对后验概率支持向量机进行学习,既可以实现分类问题,又可以结合贝叶斯决策规则实现分类结果的概率估计。(2)进行滚动轴承单点故障模拟试验,得到4组振动加速度信号,从时域、频域和时频域中提取出了13个无量纲特征,进行了13个特征的灵敏度分析。提取转速信号,比较了不同转速对故障特征灵敏度的影响。利用特征融合方法,对多维特征进行了融合,试验结果充分验证了方法的正确性。(3)进行滚动轴承性能退化试验,得到航空滚动轴承在整个从正常到异常状态下的不同工作状态的振动试验数据。利用本文特征融合方法进行了特征融合和状态评估,结果证明:提取的多维特征通过融合后进行状态评估能明显区分出轴承正常与异常状态,即本文的特征融合状态评估方法有很好的工程应用价值。