基于小波分析的滚动轴承故障诊断
基于小波包和支持向量机的滚动轴承故障诊断方法研究
基于小波包和支持向量机的滚动轴承故障诊断方法研究摘要：滚动轴承是机械设备中常用的传动元件，其故障会严重影响设备的正常运转，因此滚动轴承故障诊断一直是机械领域的研究热点。
本文提出了一种基于小波包和支持向量机的滚动轴承故障诊断方法。
首先采集轴承运行时的振动信号，然后通过小波包变换对信号进行分解，得到多个频带信号。
接着，针对不同频带信号中的故障特征，采用支持向量机分类器进行故障诊断。
实验结果表明，该方法可以准确诊断出滚动轴承的故障类型，并具有较高的诊断率和鲁棒性。
该方法在滚动轴承的健康监测及维护中具有重要的应用价值。
关键词：滚动轴承；小波包；支持向量机；故障诊断1. 引言滚动轴承是机械设备中常用的传动元件，其故障会严重影响设备的正常运转，甚至导致设备损坏和生产停滞。
因此，滚动轴承故障诊断一直是机械领域的研究热点。
目前，滚动轴承故障诊断的方法主要包括振动信号分析、声音信号分析和温度信号分析等。
振动信号是滚动轴承故障诊断中最常用的信号，其具有灵敏度高、响应迅速、特征明显等优点。
因此，采用振动信号进行故障诊断已成为一种主流方法。
2. 小波包分解小波包变换是小波变换的一种改进方法，它在小波变换的基础上增加了分解级数的选择，可以逐级地对信号进行分解，得到更多的细节信息。
在滚动轴承故障诊断中，可以采用小波包分解对振动信号进行频带分解，进一步提取信号的特征信息，提高故障诊断准确率。
3. 支持向量机分类器支持向量机是一种广泛应用于模式识别和分类问题的机器学习算法，其基本思想是寻找一个超平面将数据分为两类，并使得两类数据点到超平面的距离（即间隔）最大化。
因此，支持向量机具有较高的分类精度和泛化能力，适用于处理高维度的数据，并且不易受到噪声的影响。
4. 基于小波包和支持向量机的故障诊断方法本文提出的基于小波包和支持向量机的滚动轴承故障诊断方法主要包括以下步骤：（1）采集滚动轴承运行时的振动信号，并进行预处理；（2）对预处理后的信号进行小波包分解，得到多个频带信号；（3）针对不同频带信号中的故障特征，选取合适的特征提取方法，并采用支持向量机分类器进行故障诊断；（4）根据分类结果判断轴承的健康状态，并进行相应的维护措施。
基于小波包分析的滚动轴承的故障诊断方法研究
基于小波包分析的滚动轴承的故障诊断方法研究姜娜;纪建伟;齐晓轩;孔庆江;肖隆君;孙逢龙【摘要】We used the analysis methods which are based on non-stationary signal analysis methods to study the model and algorithm of the roller bearing fault diagnosis. In the full analysis of failure mechanisms and characteristics of the premise, we focused on the wavelet packet analysis of the vibration signal of rolling bearing fault to extract the effective fault characteristics which could reflect the failure modes. We established the BP neural network classifier based on the fault eigenvectors which we have obtained to achieve recognition and diagnosis of the typical failures of rolling bearings.%用基于非平稳信号的分析方法,研究滚动轴承的故障诊断模型与算法.在充分分析故障机理及特点的前提下,重点开展对滚动轴承故障振动信号的小波包分析的研究工作,提取出反映故障模式的有效故障特征.并基于所获取的故障特征向量,建立BP神经网络分类器,实现对滚动轴承典型故障的识别与诊断.【期刊名称】《浙江农业学报》【年(卷),期】2012(024)002【总页数】4页(P310-313)【关键词】小波包分析;故障诊断;BP神经网络;MATLAB【作者】姜娜;纪建伟;齐晓轩;孔庆江;肖隆君;孙逢龙【作者单位】沈阳农业大学信息与电气工程学院,辽宁沈阳110161;沈阳农业大学信息与电气工程学院,辽宁沈阳110161;沈阳农业大学信息与电气工程学院,辽宁沈阳110161;沈阳农业大学信息与电气工程学院,辽宁沈阳110161;沈阳农业大学信息与电气工程学院,辽宁沈阳110161;沈阳农业大学信息与电气工程学院,辽宁沈阳110161【正文语种】中文【中图分类】U226.8+1滚动轴承是生活、生产中应用相当广泛的机械零件之一，其工作状态是否正常对于整个机械设备的运行状态有着重大的影响［1］。
基于小波变换和残差神经网络模型的轴承故障诊断
图 2 是时域样本经过小波变换后得到的时频图，
其中采样频率 12K，尺寸序列长度为 256，使用小波名
为 cmor3-3。从图中我们能够直观的看到不同故障状
态的能量分布具有良好的分辨性，其中轴承正常状态
下的能量集中在低频分段且在整个时间轴上波动较
为验证本文模型在不同工况下的适应性，设置
0hp、1hp、2hp、3hp 四种变负载数据集，并使用不同负载
种“shortcut connections”链接方式如图 4，假设将一组
研究与开发
堆叠的神经网络层的映射近似为恒等映射，即该组神
经网络层的输入为 X，堆叠的非线性层映射为 F（X），
其输出 H（X）则表示为：H（X）= F（X）+X，当 H（X）近似
为 X 时，这组堆叠的网络层可看做一个恒等映射，F
分布带来的实验误差，本文所有数据均使用 CWRU 数
据集。驱动端轴承故障由电火花在内圈、外圈、滚动体
三个位置点触加工形成：内圈损伤、外圈损伤、滚动体
损伤三种故障位置类型，故障位置损伤有三种不同损
伤尺寸分别为：0.007inch、0.014inch、0.021inch，共计九
种故障类别，加上滚动轴承正常工作状态共计十种轴
波或母小波，其傅里叶变换 ∅(w) 满足条件（2）：
0 < C ∅ = ∫-∞
+∞
| ∅(w) | dw < ∞
2
| w|
（2）
对母小波进行伸缩、平移将得到一系列小波函数：
图 1 不同故障类型样本的时域波形图
现代计算机（） 2021.05 下
研究与开发
上，具有良好的泛化性和鲁棒性。
关键词：
机械故障大作业-基于小波分析的轴承故障诊断
机械故障诊断课程设计设计题目：基于小波分析的轴承故障诊断学院：机械工程系专业：机械制造设计及其自动化班级：学号：姓名：指导老师：完成日期：利用Daubechies小波对轴承的振动信号进行小波分解，采用Matlab编程快速地在计算机上实现基于小波分析的电机滚动轴承故障诊断，通过基于小波分解系数对含有故障特征频率的第一层细节信号进行小波重构并提取其Hilbert包络谱，从中检测出故障特征频率，据此判断故障类型。
关键词：滚动轴承故障诊断小波分析 Hilbert包络谱 Matlab第一章绪论 (1)第二章基于小波变换的滚动轴承故障诊断 (2)2.1 滚动轴承故障的特征频率 (2)2.2 基于小波分析的轴承故障诊断算法 (2)第三章轴承故障诊断的Matlab程序分析 (5)3.1 确定轴承各项参数并计算各部件的故障特征频率 (5)3.2 故障诊断的结果分析和结论 (5)3.2.1 第一组数据分析 (5)3.2.2 第二组数据分析 (7)3.2.3 第三组数据分析 (8)3.2.4 第四组数据分析 (9)参考文献 (12)附录 (13)第一章绪论滚动轴承在机械设备中使用非常广泛，其工作状态直接影响整个设备的运行品质,对滚动轴承进行状态监测与故障诊断，能够避免重大事故的发生，获得较大的经济和社会效益。
随着生产的需要，对轴承故障的检测方法也越来越多，其中，运用比较广发的集中方法是FFT、功率谱、倒谱、小波分析、人工神经网络、希尔伯特-黄变换、双谱。
小波变换是一种时频分析方法，进行多分辨率分析，即，将信号分解成若干层次的细节信号及概貌信号。
对轴承振动信号进行小波变换，提取其中具有故障特征的细节信号进行重构；对重构信号做Hilbert包络谱分析，从中检测出轴承的故障特征频率，据此判断故障类型。
利用Matlab软件编程快速地实现了基于小波变换分析的滚动轴承故障判断。
第二章基于小波变换的滚动轴承故障诊断2.1 滚动轴承故障的特征频率滚动轴承由外圈、内圈、滚动体和保持架组成，工作时外圈与轴承座或机壳相连接、固定或相对固定，内圈与机械传动轴相连接，随轴一起转动。
基于小波分析的轴承故障诊断和分析
可 靠 的 ， 以 实现 轴 承 故 障 的 精确 诊 断 。 可
２ 小 波分 析 的理 论 基础 将 任 意 Ｌ （ 空 间 中 的 函 数 ｚ（） 小 波 基 下 进 行 展 开 ， Ｒ） ｔ在 称
作 函 ｚ ｔ 的 连续 小 波 变换 （ 称 Ｃ ） 其 表 达 式 为 （） 简 ＷＴ ，
４ ２
基 于 小波 分 析 的轴 承故 障诊 断 和分 析
基于小波分析的轴承故障诊断和分析
Ｆ ｕｔ Ｆ ａ ｕ ｅ ｏ ａ ｉｇ Ｂａ ｅ ｎ Ｗ ａ ｅｅ ａｌｓｓ ａ ｄ ａ ｌ ｅ ｔ ｒ ｆＢｅ ｒ ｓ ｄ ｏ ｎ ｖ ｌｔＡｎ ｙ ｉ ｎ Ｄｉｇｎ ｓｓ ａ ｏ ｉ
试 验 对 象 为安 装 在 减 速 机 轴 端 的 圆锥 滚 子 轴 承 ，减 速 机外
形 如 图 １ 示 。 轴 承 型号 为 ３ ２ ７ 其 结 构如 图 ２所 示 ， 构参 所 ３０ ， 结 数如 表 １ 示 。 所
一 ⑨
图 １ 减 速 机 外 形 图 图 ２ 圆 锥滚 子 轴 承 的 结构
化 氖 法是 将 尺度 按幂 级 数进 行 离散 化 ，即 取 ａ ＝ ｍ （ 为整数 ， ｍ
ａ≠１ 一般 取 ａ＝ ）对 ｂ进 行 均匀 离 散取 值 ， ｎ ， ｏ２ ， 以覆 盖整 个 时 间轴
（ 了不 丢失 信息 ， 求 满足 采样 定 理 ） 这样 小 波基 函数 变 为 ： 为 要 ，
ｋｎ ｆｔｐｃ ｌ ａｔｅ ａｄｎ ｈ ｉ ａ ｌｆａｕｅ ｅ ｔ ｃｉｎ ａ ｄ ｒｐｅ ｅ ｔｔ ｎａ ｌａ ｕ ｇ ｎ ｉｄ ｏ ｙ ｉａ ｐ ｒｒｇ ｒ ｉｇ ｔｅｒ Ｆ ｕｔ ｅ ｔｒ ｘｒ ｔ ｎ ｅ ｒｓ ｎａｉ ．ｓ ｗｅｌ ｓｊｄ ｍｅ ｔ ， ｓ ａ ｏ ｏ
基于小波分析的滚动轴承故障诊断
基于小波分析的滚动轴承故障诊断【摘要】机械设备中较常见的、较常使用的就是滚动轴承，滚动轴承的工作状态可以直接对正太机器的运作起到功能性的影响作用。
在本篇论文中分析了滚动轴承的故障以及诊断的方式方法，作为极易损坏的，应用最广泛的机械零件应该给与深入的故障诊断分析。
小波分析作为崭露头角的诊断技术在今后的发展中需要进一步的研究与实践，才能够开阔更广泛的应用市场。
【关键词】小波分析；滚动轴承；故障分析诊断前言滚动轴承的不正常工作可以引发旋转机械的很多故障，所以轴承这部分零件的损耗大小对于整台机器是否能够正常工作起到决定性的作用，一旦滚动轴承产生损耗就会引起机器震动，继而导致大量的噪声，甚至会导致机械设备瘫痪。
所以滚动轴承的故障诊断分析，在实际的操作中是存在较大的可行性的，也是施工作业中很重要的工作部分。
可以通过小波分析的方法对滚动轴承产生的信号进行分析由此得出滚动轴承的故障判断。
1 小波分析故障诊断技术的研究现状与发展机械设备在出现问题的时候最明显的故障特征就是振动和冲击。
因此目前我们对机械设备存在问题故障的判断方式以振动为基础理论的。
在正常的工作中也正是振动和冲击时常反映在故障机器中。
我国现有的故障诊断方式中常见是引用Hilbert变换的包络分析法来实现解调。
在操作中专家实现包络信号提取的方式是利用垂直数字考虑技术，以这样的技术来合并将窄带部分的滤波和包络检测过程，与过去的希尔伯特方式相对比的话是存在一定的时效性的，其特征是检测波长不再受到限制、提高了重现采样实施过程中的精准度，为故障分析带来了更多的方便。
总得来说是以能量算子来检测滚动轴承的故障特征，从而确定诊断目的。
小波分析应用在振动信号处理技术是最近几年才普及的，在实际应用中小波分析能够同时提供的是振动信号的时域、频域的局部化变换信息。
其技术特征是具有多尺度性、数字微显示性，这两个特征可以使振动信号中的突变信号尤为明显的被识别出。
专家利用小波分析的技术特征融合近邻法成功的提出了对列车滚动轴承的故障诊断。
基于小波变换的滚动轴承内圈故障诊断
ｕ ｅ ｏ ｄ ｃ ｍｐ ｓ ｈ ｉ ｒｔｏ ｃ ｅｅａ ｉｎ ｓｇ ｓ ｄ ｔ ｅｏ ｏ ｅ ｔ ｅ ｖｂ ａｉｎ ａ ｃ ｌｒ ｔｏ ｉ—
ｎ ｌ ｆ ｂ ｌ ｂ ａ ｉ ｇ ｆ ｕ ｔ ｏ ｄ ｆｅ ｅ ｔ ｓ ａ ｅ ，ａ ｄ ａ ｓ ｏ ａ ｌ ｅ ｒｎ ａ ｌｓ ｔ ｉｆ ｒ ｎ ｃ ｌｓ ｎ ｔ ｅ ｗａ ｅ ｅ ｏ ｆｉｉ ｎ ｓ ｉ ｖ ｌ ｉ ｇ ｆ ｕ ｔ ｆ ａ ｕ ｅ ｆｅ ｈ ｖ ｌ ｔｃ ｅ ｆ ｅ ｔ ｎ ｏ ｖ ｎ ａ ｌ ｅ ｔ ｒ ｒ — ｃ
性， 这些 特性使 得 小波 分析 能 够 识 别振 动信 号 中的 突变信 号Ｌ 。 ２ ］ 利 用 小波 变换 进行 故 障诊 断 ， 根据 信号 在 一 是 系列时 频分辨 空间 中的能量 分布 特征有效 地刻划 出
文章编号 ：０ １ ２ ７ ２ １ ） ６— ０ ２ ３ １ ０ —２ 出关 键故 障特 征 较为 突 出 并 的频段 ， 进行有 选 择 的信 号 重构 。这 种 方法 无 需 建 立 滚动 轴承振 动信 号 的数 学模 型 ， 具 有特 征 参 量 还
少 、 障特征 突 出等优 点 。实 验结 果 说 明 了该 方法 故
的准确 性和有效 性 。
ｓ ｏｗｓｔ ｔｔ ｅ ｏ ｖ ｌｔｔ ａ ｓ ｏ ｍ ａ ｔｄ ａ ｈ ｈａ ｈｅｕｓ ｆｗａ ｅ ｅ ｒ ｎ ｆ ｒ ｆ ｕｌ ｉｇ— ｎ ｉ ｆ ｒ ｌｅ ａ ｉ ｇ ｉ ｎｅ ｉ ｓ ｇ ｏ ｅ ｕｌｓ ｏｓｓｏ ｏ ｌｒ ｂｅ ｒｎ ｎ ｒｒｎｇ ｈａ ｏ ｄ ｒ ｓ ｔ ． Ｋｅ ｒ ｓ： ｖ ｌ ｔ ｔａ ｆ ｒ ｒ ｂａｌ ｂｅ ｒｎ ｙ ｗｏ ｄ ｗａ ｅ ｅ ｒ ｎｓ ｏ ｍｅ ； ｌ ａ ｉ ｇ； ｆ ｕ ｔ ｄ ａ ｏ ｉ ； ｒ ｑｕ ｎ ｙ ａ ａ ｙｓｓ ａ ｌ ｉｇｎ ｓ ｓ ｆ ｅ ｅ ｃ ｎ ｌ ｉ
小波分析-模糊聚类法用于滚动轴承故障诊断
故 障 诊 断 中 ， 对 大 量 实 测 数 据 的 处 理 和分 析 ， 够 比较 准 确 地 识 别 和诊 断 出 减 速 器 的正 常 运 行 状 态 、 圈 故 障 和 经 能 内
（） 满足允许条件（ 完全重构条件ｌ Ｉ（ Ｉ ＜ ｆ ｄ ）ｔ
。 。或 恒 等分 辨条 件 ）
ｃ ｆ 一
伸 缩 和平移 后得
．
ｄ＜。 。
（ １ ）
称 （） ｆ为一 个 基本 小 波或母 小波 将母 函数 （） ｆ经
（ ｆ ）
（ ） ， Ｒ≠（ ｂ ， ０） 口∈ 口 ２
特征 的全 貌 。 而从联 合 的时频 域来 识 别这 两类 信号 ， 提供 时 频域 的综合 信 息 ， 提 高诊 断 的准 确 性 和 可 会 靠 性 。小 波 变换 是一 种 信号 的时 间一 度 （ 率 ）分 尺 频
析方 法 ， 同 时进行 时域 和频 域分 析 ， 可 具有 时 频局 部 化 和 多分 辨 特 性 ， 根 本 上 克 服 了傅 里 叶 分 析 只 能 从
到 异 常是 一 个渐 变 过程 ， 表 现 出来 的 征 兆在 很 多 所
６＜ 一
征 向 量
（ ） ｄ ｆ
（） ３
１ ２ 连 续 小 波 变换 法 提 取 滚 动轴 承 运行 状 态 的 特 ．
情 况下 具 有模 糊 性 ， 以模 糊 数 学 为 理论 基 础 的 聚 而
类 分 析 方 法 为 解 决 这类 模 糊 性 问 题 提 供 了新 的 途
基于小波包和改进BP神经网络的滚动轴承故障诊断方法
基于小波包和改进BP神经网络的滚动轴承故障诊断方法作者：丁庆喜田福庆罗荣来源：《现代电子技术》2013年第08期摘要：为了改进BP神经网络进行滚动轴承故障诊断时，网络存在收敛速度慢、易于陷入局部极小点的缺点。
应用基于Levenberg⁃Marquardt法对BP网络进行改进，实现了改进后的BP神经网络结合小波包进行滚动轴承故障诊断的方法。
首先，利用小波包多分辨率的特点对滚动轴承的振动信号进行分解和重构，计算各子频带能量并进行归一化，构造特征向量。
然后，将所得到的特征向量作为两种BP神经网络的输入，即改进后的BP神经网络和常规的BP 神经网络。
最后，对两种网络进行训练并测试，结合实验数据验证改进方法的可行性。
实验结果表明，改进后的BP神经网络不仅可行，同时提高了收敛速度和诊断的精确度。
关键字：小波包； BP神经网络； Levenberg⁃Marquardt；滚动轴承；故障诊断中图分类号： TN911⁃34； TH133.33 文献标识码： A 文章编号： 1004⁃373X（2013）08⁃0013⁃040 引言滚动轴承作为旋转机械设备的重要零部件之一，其运行状态的好坏直接影响着整台机器的正常运作[1]。
由于长期的高载荷、高转速、高冲击运转，使得滚动轴承极其容易损坏和发生故障。
当故障发生时，小则影响工厂的经济效益，重则伤及工人的生命安全，所以对其进行故障诊断方法的研究具有十分重要意义。
滚动轴承振动信号具有非平稳、突变性的特点。
从本质上来看，滚动轴承故障诊断过程就是一个模式分类问题，即通过提取的特征参数来判断轴承当前所处的运行状态。
小波分析在时域和频域上都具有表征信号局部特征的能力，小波包分析是从小波分析延伸出来的一种对信号进行更加细致的分析与重构的方法。
在小波分析的递推过程中，每次仅对上一次分解的近似系数进行分解，而把上一次分解的细节系数作为计算结果保留，不再进行分解，其缺陷在于高频部分的分辨率不能提高。
基于小波包能量法的滚动轴承故障诊断
２００７年１０月农业机械学报第３８卷第１０期基于小波包能量法的滚动轴承故障诊断张军陆森林和卫星王以顺李天博【摘要】阐述了故障轴承振动与信号的关系，小波包的原理以及ＢＰ神经网络的工作原理和实现过程，并以滚动轴承故障诊断为例，提取了小波包节点能量作为振动信号特征参数，并训练ＢＰ神经网络，对故障模式进行识别。
结果表明，如果神经网络设计合理，训练适当，则具有很强的故障识别能力。
说明利用小波包能量法和ＢＰ神经网络进行滚动轴承振动诊断是可行、有效的。
关键词：滚动轴承振动故障诊断小波包ＢＰ神经网络中图分类号：ＴＰ２０６＋３文献标识码：Ａ┇ ┉ ┃ ﹥ ┃┄┈ ┈┄ ┄━━ ┃ ﹣ ┇ ┃ ┈﹣ ┈ ┄┃〇 ┋ ━ ┉ ─ ┉﹦┃ ┇ ┎﹨ ┉┊┇ＺｈａｎｇＪｕｎ１ＬｕＳｅｎｌｉｎ１ＨｅＷｅｉｘｉｎｇ１ＷａｎｇＹｉｓｈｕｎ２ＬｉＴｉａｎｂｏ１（１．爥牏牃牕牋牞牣爺牕牏牤牉牜牞牏牠牪２．爠牕牋牏牕牉牉牜牏牕牋爟牉牞牏牋牕爲牉牞牉牃牜牅牎爤牕牞牠牏牠牣牠牉牗牊爠爞爮爜，爳爤爫爭爮爠爞）﹢ ┈┉┇ ┉ＴｈｅｓｔｅｐｓｏｆｍｅｔｈｏｄｏｆｒｏｌｌｉｎｇｂｅａｒｉｎｇｓｆａｕｌｔｄｉａｇｎｏｓｉｓｗｅｒｅｓｕｍｍａｒｉｚｅｄｂａｓｅｄｏｎｗａｖｅｌｅｔｐａｃｋｅｔｅｎｅｒｇｙｆｅａｔｕｒｅａｎｄＢＰｎｅｕｒａｌｎｅｔｗｏｒｋ，ａｎｄｔｈｅｐｒｉｎｃｉｐｌｅｏｆｗａｖｅｌｅｔｐａｃｋｅｔａｎｄｔｈｅｃｏｎｎｅｃｔｉｏｎｂｅｔｗｅｅｎｖｉｂｒａｔｉｏｎｏｆｆａｕｌｔｒｏｌｌｉｎｇｂｅａｒｉｎｇｓａｎｄｓｉｇｎａｌｗｅｒｅｉｌｌｕｍｉｎａｔｅｄ．Ｏｎｔｈｉｓｂａｓｉｓ，ｗａｖｅｌｅｔｐａｃｋｅｔｅｎｅｒｇｙｆｅａｔｕｒｅｗａｓｅｘｔｒａｃｔｅｄｔｏｃｏｎｓｔｒｕｃｔｃｈａｒａｃｔｅｒｉｓｔｉｃｖｅｃｔｏｒ，ａｎｄａｒｏｌｌｉｎｇｂｅａｒｉｎｇｓｆａｕｌｔｄｉａｇｎｏｓｉｓｅｘｐｅｒｉｍｅｎｔｗａｓｄｅｓｉｇｎｅｄｔｏｖｅｒｉｆｙｔｈｉｓｍｅｔｈｏｄ．ＴｈｅｃｏｎｃｌｕｓｉｏｎｉｎｄｉｃａｔｅｄｔｈａｔＢＰｎｅｕｒａｌｎｅｔｗｏｒｋｈａｓｐｏｓｓｅｓｓｅｄｇｏｏｄｃａｐａｂｉｌｉｔｙｏｆｉｄｅｎｔｉｆｉｃａｔｉｏｎｗｉｔｈｒｅａｓｏｎａｂｌｅｄｅｓｉｇｎａｎｄｐｒｏｐｅｒｔｒａｉｎｉｎｇ．ＴｈｅｒｅｓｕｌｔｓｓｈｏｗｅｄｔｈａｔｉｔｉｓｆｅａｓｉｂｌｅｔｏｉｍｐｌｅｍｅｎｔｆａｕｌｔｖｉｂｒａｔｉｎｇｄｉａｇｎｏｓｉｓｏｆｒｏｌｌｉｎｇｂｅａｒｉｎｇｓｗｉｔｈｗａｖｅｌｅｔｐａｃｋｅｔｅｎｅｒｇｙｆｅａｔｕｒｅａｎｄＢＰｎｅｕｒａｌｎｅｔｗｏｒｋ． ┎┌┄┇ ┈Ｒｏｌｌｉｎｇｂｅａｒｉｎｇ，Ｖｉｂｒａｔｉｏｎ，Ｆａｕｌｔｄｉａｇｎｏｓｉｓ，Ｗａｖｅｌｅｔｐａｃｋｅｔ，ＢＰｎｅｕｒａｌｎｅｔｗｏｒｋ收稿日期：２００６０６０５张军江苏大学汽车与交通工程学院硕士生，２１２０１３镇江市陆森林江苏大学汽车与交通工程学院教授和卫星江苏大学电气信息工程学院副教授王以顺中国石化华东石油局工程技术设计研究院高级工程师，２１００３１南京市李天博江苏大学电气信息工程学院副教授引言由于滚动轴承工作环境的特殊性，在故障早期难以被发现。
基于小波时频框架分解方法的滚动轴承故障诊断
（ ０６ Ａ ４ ４ ８ ２０Ａ ０Ｚ３ ）
１ 框 架 方 法
框 架是 基 函数 的扩 展 ， 框架 理 论 在 研 究 信 号 表 示 的完备 性 、 定性 和冗余 性方 面用 途很 大 “ 。 稳 Ｊ
中 图 分 类 号 ：Ｔ ６ ． Ｈ１５３ 文 献 标 识 码 ：Ａ
滚 动轴 承是 支 承 旋 转 轴 的关 键 部 件 ， 泛 应 用 于 广
各 种机械 设 备 之 中。在 振 动监 测 诊 断 的 工程 实 践 中 ，
针对 滚动 轴承 的振 动特 点 ， 计 了小 波 时频 框架 ， 设 应 用框架 分解 方法在 时频 联 合 域 内提取 了滚 动轴 承 局
持架和滚动体 ） 局部损伤造成的振动激励源与传感器 之间 的位置 相 对 变化 ， 而且 在 轴 和 轴 上 多 种 零 部 件 振 动 的影 响作 用 下 ， 号 中 的 干 扰激 励 多 ， 信 因此 ， 动 轴 滚 承振 动信号 的成 分 比较 复 杂 。理 论 上 ， 动 轴 承 运 行 滚 过程 中损伤 点与其 它元 件接 触 产生 的周 期 性 冲击 以及 相邻 冲击之 间 的时间 间隔是 判 断局 部 损伤 故 障 的关 键 特征信息 ， 如何从振动信号中有效提取 冲击特征 ， 对于 滚动 轴承故 障诊 断而言 是非 常 值得 研 究 的一 个 重要 问 题 。在传统 的频谱 分析 方 法 中 ， 般 根据 内圈 、 圈和 一 外 滚动 体 的故 障特征 频 率来 识 别 故 障原 因 Ｊ但 是 ， ， 基 于 Ｆｕｉｒ ｏｒ 正交 基 函数 展开 的信号 表示 方法需 要使 用较 ｅ 多 的正交 简谐 三 角 函 数对 冲击 信 号 进 行 逼 近 ， 除非 轴 承损伤严重 ， 障特征非常 明显 ， 故 否则 ， 于成分复杂 对 的滚 动轴承 振 动 信 号 ， 统 的频 谱 分 析 方 法 可 能 会 使 传 滚动 轴承 局部损 伤 的故 障特征 频 率 在频 域 内被 其 它信 号成 分 和背景 噪声 的频率 结 构信 息 覆 盖淹 没 。框 架 分 解 “是一种过完备信号表示方法 ， 在针对信号特征 结构 特别设 计 的过 完 备 框 架 的基 础 上 ， 其 中选 择 基 从 本 波形 函数 对信 号 的局部 特 征进 行 最 佳 匹配 分解 。与 传统的基于基 函数展开的信号分析方法相 比， 该方 法 没有任何冗余 的中间变换环节， 能够直接提取信号的 特征信息 ， 尽可能地减少信息损失 ， 而且可 以在时频联 合 域 内清晰 直 观地 显 示 信 号 中的 冲击 、 谐 波 以及 其 简 它瞬态成 分 的结构 ， 因此 ， 架分 解 为滚 动 轴 承 的局 部 框 损伤 识别提供 了一 种有效 的分 析方法 。
基于小波神经网络的滚动轴承故障诊断
络用于齿轮的故障诊断 。 。 等等。本文研究了小波神经网络在滚动轴承故障诊断中的应用。
１ 实验原理与方法
滚动轴承实验装置采用加速度传感器监测轴承在载荷下运行时的径向和轴向振动信号 。利用小波包分
第 ３层 的所 有结点 进行 分析 ， 总信 号可 以表示 为 Ｓ＝Ｓ０ Ｓｌ Ｓ２ Ｓ３ Ｓ４＋ ３＋Ｓ６ ３。 则 ３ ＋ ３ ＋ ３ ＋ ３ ＋ ３ Ｓ５ ３ ＋Ｓ７ ３ 求 各频 带信 号总 能量 。设 ｓ （ ＝０ ｌ … ， ） 应 的 能量 为 ） ， ， ７ 对 （ ） ’
其中 Ｓ 为被分解信号 ， 为被分解层次 ， 为分解所采用 的小波类型 ， ａ ｎｎ为分解所选取 的熵值。分别 ３ ｓ ｎｏ ｈ
提取第 ３ 层从低频到高频 ８ 个频率成分的信号特征 ， 分解结构如图 １ 所示。 图 １中， ， （ ）表示第 ｉ 层的第 个结点， 中，＝ ，，， √ ０ １２ …，， 其 ｉ ０ １２３ ＝ ，， ， ７ 每个结点都代 表一定的信号 特征 。其 中 ，０ ０ 结点 代表 原始 信号 Ｓ，１０ 代 表小波 包分 解 的第 １ （ 。） （ ，） 层低 频系 数 。（ ，） 波包 分解第 ，１１ 小
Ｚ ａｇ６ １９ 年利用小波伸缩和平移得到的小波函数作为神经元函数 ， ｈｎ 在 ９２ 构造 出了第一个被称为小波
网络的前馈神经网络 ， 并给出了用于网络训练的随机梯度算法。自从小波神经网络被提出后 ， 在故障诊断领 域有 了许多成功的应用。如 Ｗａｇ ｎ 川等将小波神经网络用于机器故障信号的预测 ，ｈｎ等应用小波神经网 Ｃｅ
解 获得 振动信 号 的特 征 向量 ， 验分 别研 究 了基 于 Ｂ 实 Ｐ神经 网络 、 于径 向基 神经 网络及 基 于 紧致 型小 波 神 基 经 网络 的故障诊 断 ， 并进行 了比较分 析 。
基于小波包神经网络分析的滚动轴承故障诊断
基于小波包神经网络分析的滚动轴承故障诊断赵洁;张惊雷【摘要】Aim to solve the low-identification rates in bearing fault diagnosis,a new diagnostic method based on improved wavelet packet energy spectrum and neural network models is proposed.First,the sampled signals in bearing normal,inner race,outer race and rolling elements are decomposed and reconstructed by a three-level wavelet packet transform (WPT).Then extract the energy of different nodes by wavelet packet energy spectrum method to establish the fault feature sets at earlystage.Moreover,BP and Elman neural network fault classification models are composed successively.The energy of nodes transformed by WPT algorithm is treated as the feature vectors and is input to the fault classifier to recognize the different types of bearing faults.Experimental results show that the proposed method can accurately classify and predict bearing faults,and consequently improve the accuracy of diagnosis.%针对轴承故障识别率低、故障信号不平稳的问题,提出了改进小波包能量特征提取和神经网络的故障诊断方法.首先利用改进小波包算法将轴承内圈、外圈、滚动体三个部位的采集信号进行三层分解与重构;然后通过小波包能量谱提取不同节点能量,形成故障特征集;最后依次建立BP和Elman神经网络故障分类模型,将所得的小波包节点能量作为特征向量输入到故障模型,进行轴承不同故障状态的分类识别.实验结果表明,本文算法可准确分类并预测轴承运行状况,提高了诊断准确率.【期刊名称】《天津理工大学学报》【年(卷),期】2017(033)004【总页数】6页(P30-35)【关键词】小波包;节点能量;神经网络;故障诊断【作者】赵洁;张惊雷【作者单位】天津理工大学自动化学院,天津300384;天津理工大学自动化学院,天津300384【正文语种】中文【中图分类】TP206+.3滚动轴承是各类机械设备最重要的部分之一，同时也是引起旋转机械故障的主要原因.有统计指出，有30%的旋转机械故障是由于滚动轴承引起的[1].由于机组结构复杂，故障信息难以获取，传统故障诊断方法难以准确诊断故障信号中大量的非线性成分，故亟需改进现有的故障诊断方法或引入新的分析方法.滚动轴承在线监测的首要问题是对振动信号进行处理，以获取故障特征，从而反映故障信息[2].近年来，研究者们提出了各种提取轴承故障信号的方法[3-4].常用的基于时频域的故障特征提取方法有短时傅里叶变换、S 变换、经验模态分解[5]、Wigner-Ville[6]、双谱分析法[7]、小波及小波包[8]分析等.其中短时傅里叶变换只适合分析线性、稳定的信号，经验模态分解计算量大，适时性差且存在模态混叠，Wigner-Ville存在交叉项干扰的缺陷.小波包变换（WPT）被证实为非常有效可行的特征提取方法，但传统小波包分解常造成严重的频率混叠.本文提出基于单子带重构的改进小波包算法，将采集到的正常信号和三种典型故障信号进行三层小波包分解，提取分解后的底层能量，作为后续诊断的输入特征量.除了故障特征提取，故障模式识别也是影响滚动轴承故障诊断效果的关键步骤.神经网络由于其高效的并行信息处理、较强的容错性与学习能力越来越受到广泛的关注[9].本文选用使用率最高的BP神经网络对4种故障类型进行分类训练.然后选用Elman网络对不同故障类型下不同受损深度的轴承故障进行预测.实验结果证实了本文所提出算法的可行性.滚动轴承故障诊断系统原理图如图1所示.小波包分解方法，可以将频带进行多层次划分，并能根据被分析信号的特征自适应地选择相应频段，对多分辨析没有细分的高频部分进一步分解，从而提高时频分辨率[10].但是，由于小波函数的频窗能量的不够集中，各二进尺度之间存在频域交叉现象，造成频带之间混叠甚至交错，最终导致频带划分出现错误，从而影响到分析结果的正确得出[11].因此，本文提出改进型节点重构小波包算法.具体方法见流程图2：图2为改进小波包进行三层分解和两次重构的示意图.图中H、G、h、g分别表示与小波分解低、高滤波器和小波重构低、高滤波器做卷积；↓2和↑2分别表示隔点采样和隔点插零.改进小波包算法相比传统小波包的不同之处在于：1）信号S0与分解滤波器H、G做卷积，对结果进行快速傅立叶变换（FFT）. 2）将傅立叶变换后的低半频段或高半频段谱值置零，然后再进行傅立叶逆变换（IFFT）.3）将IFFT逆变换后的结果经过隔点采样（点插零）继续与分解（重构）滤波器卷积，重复步骤2，直到得到全部分解系数和重构系数由图2中可以看出，改进小波包算法在经过隔点采样和隔点插值上比传统算法多了两个算子，定义上述步骤1、2的过程为经过算子C和算子D.C算子的计算公式为：D算子的计算公式为：定义C、D算子的输出为：式中为数据长度，k={0，1…，Nj-1}，n={0，1，…，Nj-1}.图3所示为未改进之前轴承正常信号和轴承故障点直径为0.177 8 mm的内圈、外圈和滚动体故障信号时域图.从图3时域波形图中可以看出，仅从振动信号时域波形图中无法准确地判断轴承的故障种类.以滚动体故障为例，采用改进后小波包对第二层进行重构，图4为未改进之前第二层重构频谱图，从图中可以看出改进之前节点和频谱有交错现象，经单节点重构后，各频谱成分已被准确地分解到理论划分的各节点频率中，还可提取出任意瞬态信号成分，充分说明改进节点重构小波包算法在消除频带错乱上的有效性.当轴承发生故障时，各节点信号的能量均会发生变化，故通过提取不同频带能量来构造特征向量.其具体步骤为：1）利用dB 5小波对正常及故障信号进行三层小波包分解，以分别表示第三层从低频到高频8个节点的分解系数.2）对第三层小波包分解系数进行单节点重构，提取8个频带范围的重构信号，分别表示为3）利用式（3）来计算n个小波包节点能量，则其能量特征向量如式（5）所示.本文进行了三层分解，故n=8；求取总能量为消除不同量纲影响，对进行统一化处理：求取每一个节点占总能量的百分比4）构造能量特征向量：构造一个 7 维特征向量从而得到故障特征样本.图6所示是同一转速、相同损伤直径（0.1778mm）下轴承正常信号以及不同故障信号的能量分布直方图（已归一化处理）.从图6可以看出，滚动轴承有无故障，各频带能量有很大变化，并且不同故障状态对应各频带的能量分布也不相同.轴承在正常运行时，振动信号的能量分布主要集中在前4个低频区域，它们的能量之和约占总能量的97%，这主要是周期性振源所引起的响应.当轴承发生内圈、滚动体、外圈故障时，振动信号的能量主要分布在第3、4、7、8频段，而且从图中还可以看出，不同的轴承故障类型对应能量的具体分布也明显不同.这主要是由于当轴承发生故障时，其振动信号中包含的冲击成分产生了脉冲冲击响应.由于脉冲冲击是一种瞬态激振，从而引起轴承系统固有频率的共振，并且不同的轴承故障冲击将会导致其产生不同的振动响应信号[12]，从而影响到高频区的共振频带能量分布也不同.提取能量集中的频段进行后续故障诊断分析.根据神经网络运行过程中的信息流向，神经网络可分为前馈式和反馈式两种基本类型.前馈式网络通过引入隐含层及非线性转移函数，具有很强的非线性映射能力；反馈式网络在前馈式网络的隐含层中增加了一个承接层，从而使系统具有适应时变特性的能力，能直接反映动态过程系统的特性[13].本文选取BP这一多层前馈神经网络进行故障诊断，训练其对四种故障类型的分类能力，再结合Elman反馈网络对具体故障类型进行预测训练.在实际应用中，许多学者证明了仅包含输入层、一个隐藏层和输出层的三层BP神经网络的万能逼近能力，应用广泛，能够处理非线性映射函数，具有非常好的应用价值[14].该BP神经网络的结构为10-5-4，即输入层节点数为10，隐含层节点数为5，输出层节点数为4.为提高数据可靠性，本文所用实验来自CaseWest Reserve University轴承数据中心，故障振动信号数据由故障模拟实验台获得[15].本文选取测试轴承型号为SKF-6205，故障采样频率为12 000 Hz，轴的转速近似为1 797 rpm.首先根据故障不同故障类型将故障信号分成四大类，分别用1，2，3，4表示，每种故障含 128个样本，共512个样本.然后将4种故障信号合为一组，从中随机选取288个数据作为训练数据，剩下224个数据作为测试数据，并对训练数据进行归一化处理.设定各类信号的期望输出值，如将正常信号标识为1时，期望输出向量为[1 0 0 0].具体分类见表1.用这288个训练数据训练BP神经网络，网络权值和阈值在训练过程中误差调整.将224个测试样本的两种类型特征量（分别采用未改进的和改进的节点重构小波包变换得到的相对频带能量值）分别输入到训练好的BP网络进行分类，测试网络的分类效果.根据测试结果分析BP神经网络分类能力.改进前后BP神经网络分类误差如图7和表2所示：由图7和表2可以看出，BP神经网络可以很准确地对故障类型进行分类，平均故障识别准确率可达86.99%.除了故障在线诊断，实际应用中对轴承状态进行实时预测也是避免故障，提高轴承使用率的重要方法.针对轴承运行状态动态变换，传统预测方法自适应能量差，预测系统鲁棒性没有保障的特点，提出使用Elman神经网络每一种轴承故障类型下不同的故障损伤程度作动态预测.本文所选Elman神经网络结构为10-5-4，即输入层节点数为11，隐含层节点数为5，输出层节点数为4.如表3所示，每种故障类型的故障损伤程度有（0.177 8 mm，0.279 4 mm），（0.355 6 mm，0.279 4 mm）和（0.533 4 mm，0.279 4 mm）三种，它们分别代表了故障直径和深度.故有10种故障特征总共100×10=1 000个数据样本.数据样本共分为训练样本和测试样本两类，训练样本从每一种正常状态里随机选80组健康样本，剩下的20组选为测试样本.即训练样本有80×10=800个数据，测试样本包含20×10=200个数据.测试样本用来测试Elman神经网络对故障状态的准确预测情况.Elman神经网络的隐含层和输出层传递函数选tansig和purelin，训练步长为1 000，隐含层为nn（i）个神经元.通过作图观察不同隐含层神经元个数时的网络预测效果.预测结果如图8所示：将Elman预测效果与同等实验条件下的PNN预测效果进行对比，发现Elman收敛速度更快，大大缩短了预测用时.对比结果见图9和图10.对比图10、图11可知，网络预测误差还是比较小的（-0.08～+0.02），Elman方法可用于汽轮机轴承故障预测.当隐含层神经元为5个时，网络的预测误差最小，即预测性能最好.由此也可确定本文的预测中间层神经元最佳数目是5个.本文针对轴承动故障诊断误诊率高、故障信号非线性不平稳的问题，提出了改进小波包分析结合BP与Elman神经网络的诊断算法.采用改进小波包算法对正常和三种故障信号进行分解并对第三层进行重构，提取第三层各节点能量作为诊断输入特征向量.结合BP神经网络和Elman神经网络分别对故障进行诊断与预测.综上，基于小波包分析和BP、Elman神经网络的故障诊断方法可快速定位故障点，诊断准确度高，且能建立起故障信息与故障模式输出之间的非线性映射.本文提出的研究方法为各类轴承故障在线诊断及预测提供了一种高效可行的思路，并具有一定的实用性价值.【相关文献】［1］杨宇，于德介，程军圣，等.经验模态分解（EMD）在滚动轴承故障诊断中的应用［J］.湖南大学学报：自然科学版，2003，30（5）： 25-28.［2］任庆玉，李郝林.小波包分析在滚动轴承故障特征提取中的应用［J］.通信电源技术，2015，32（6）： 139-142.［3］ Nguyen P H，Kim J M.Multi-fault diagnosis of rolling element bearings using a wavelet kurtogram and vector median based feature analysis［J］.Shock and Vibration，2015,10-13:1-14.［4］ Jin X，Zhao M，Chow T W S，et al.Motor bearing fault diagnosis using trace ratio linear discriminant analysis［J］.IEEE Transactions on Industrial Electronics，2014，61（5）：2441-2451.［5］孙红星，张洋.机械轴承故障信号提取仿真研究［J］.计算机仿真，2016，33（3）： 419-423.［6］徐展，基于振动法的风电机组传动链状态监测与故障诊断研究［D］.杭州：浙江大学，2012.［7］程静，王维庆，何山.双谱分析法在风机轴承故障诊断中的应用［J］.自动化仪表，2016，37（7）： 27-30.［8］ Yan R，Shan M，Cui J，et al.Mutual information-assisted wavelet function selection for enhanced rolling bearing fault diagnosis［J］.Shock and Vibration，2015（2）： 1-9. ［9］徐春梅，彭道刚，张悦.基于集成法的汽轮机组智能故障诊断仿真研究［J］.计算机仿真，2015，32（7）： 408-412.［10］焦圣喜，迟警，李婉珍.基于小波包和GA-LM-BP神经网络的汽轮机故障诊断［J］.制造业自动化，2015，37（8）：109-113.［11］申戬林，王灵梅，孟恩隆，等.改进小波包联合PNN的风电故障诊断研究［J］.可再生能源，2014，32 （4）：412-417.［12］陈季云，陈晓平.基于小波包分析的滚动轴承故障特征提取［J］.微计算机信息，2007，23（4）：192-193.［13］史峰，王小川，郁磊，等.MATLAB神经网络30个案例分析［M］.北京：北京航天航空大学出版社，2010.［14］王大虎，王敬冲，史艳楠，等.基于模糊神经网络的矿井提升机故障诊断研究［J］.计算机仿真，2015，32（10）：345-349.［15］ Wade A，Smith Robert，Randall B.Rolling element bearing diagnostics using the case western reserve university data： a benchmark study［J］.Mechanical Systems and Signal Processing，2015，64-65（4）： 100-131.。
基于小波分析的滚动轴承故障诊断方法研究的开题报告
基于小波分析的滚动轴承故障诊断方法研究的开题报告一、研究背景与意义随着工业发展和机械设备不断升级，滚动轴承已经成为众多机械设备中不可或缺的部件之一。
然而，滚动轴承在长时间的运转过程中，由于摩擦和磨损等因素，很容易出现故障，导致机械设备出现异常噪音、振动等现象，最终会影响机械设备的安全性、可靠性和使用寿命。
因此，及时准确地诊断滚动轴承的故障原因，对于保障机械设备的正常运行具有非常重要的意义。
传统的滚动轴承故障诊断方法主要是通过听觉、视觉等手段进行直接观察，然而这种方法存在着主观性较强、可靠性差等缺点。
随着小波分析在信号处理中得到广泛的应用，通过对滚动轴承故障信号进行小波变换，可以得到更加精细的频率和时频特征，从而提高故障诊断的准确性和可靠性。
因此，本研究将基于小波分析，研究滚动轴承故障诊断方法，通过对滚动轴承故障信号的小波变换，提取出故障特征，实现对滚动轴承故障的准确诊断，为机械设备的正常运行提供可靠的保障。
二、研究内容和方法1.研究内容(1)研究滚动轴承故障信号的特征提取方法(2)研究小波变换在滚动轴承故障诊断中的应用(3)研究基于小波分析的滚动轴承故障诊断算法2.研究方法(1)对滚动轴承故障信号进行小波分析，提取出信号的频率和时频特征(2)建立基于小波分析的故障诊断模型，并通过实验验证模型的有效性(3)开发基于小波分析的滚动轴承故障诊断软件，并对软件进行测试和评估三、研究目标和预期成果1.研究目标(1)深入了解滚动轴承的工作原理和故障特征(2)综合运用小波分析、信号处理等技术，研究基于小波分析的滚动轴承故障诊断方法(3)建立基于小波分析的故障诊断模型，并对模型进行实验验证(4)开发基于小波分析的滚动轴承故障诊断软件2.预期成果(1)提出一种基于小波分析的滚动轴承故障诊断方法，可以更加精准地诊断滚动轴承的故障原因(2)建立基于小波分析的故障诊断模型，提高故障诊断的准确性和可靠性(3)开发基于小波分析的滚动轴承故障诊断软件，为机械设备的正常运行提供可靠的保障四、可行性分析1.理论可行性小波分析是一种成熟的信号处理方法，具有很好的时频分辨率特性，可以有效地提取滚动轴承故障信号的特征，因此理论上基于小波分析的滚动轴承故障诊断方法是可行的。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
基于小波分析的滚动轴承故障诊断
【摘要】机械设备中较常见的、较常使用的就是滚动轴承，滚动轴承的工作状态可以直接对正太机器的运作起到功能性的影响作用。
在本篇论文中分析了滚动轴承的故障以及诊断的方式方法，作为极易损坏的，应用最广泛的机械零件应该给与深入的故障诊断分析。
小波分析作为崭露头角的诊断技术在今后的发展中需要进一步的研究与实践，才能够开阔更广泛的应用市场。
【关键词】小波分析；滚动轴承；故障分析诊断
前言
滚动轴承的不正常工作可以引发旋转机械的很多故障，所以轴承这部分零件的损耗大小对于整台机器是否能够正常工作起到决定性的作用，一旦滚动轴承产生损耗就会引起机器震动，继而导致大量的噪声，甚至会导致机械设备瘫痪。
所以滚动轴承的故障诊断分析，在实际的操作中是存在较大的可行性的，也是施工作业中很重要的工作部分。
可以通过小波分析的方法对滚动轴承产生的信号进行分析由此得出滚动轴承的故障判断。
1 小波分析故障诊断技术的研究现状与发展
机械设备在出现问题的时候最明显的故障特征就是振动和冲击。
因此目前我们对机械设备存在问题故障的判断方式以振动为基础理论的。
在正常的工作中也正是振动和冲击时常反映在故障机器中。
我国现有的故障诊断方式中常见是引用Hilbert变换的包络分析法来实现解调。
在操作中专家实现包络信号提取的方式是利用垂直数字考虑技术，以这样的技术来合并将窄带部分的滤波和包络检测过程，与过去的希尔伯特方式相对比的话是存在一定的时效性的，其特征是检测波长不再受到限制、提高了重现采样实施过程中的精准度，为故障分析带来了更多的方便。
总得来说是以能量算子来检测滚动轴承的故障特征，从而确定诊断目的。
小波分析应用在振动信号处理技术是最近几年才普及的，在实际应用中小波分析能够同时提供的是振动信号的时域、频域的局部化变换信息。
其技术特征是具有多尺度性、数字微显示性，这两个特征可以使振动信号中的突变信号尤为明显的被识别出。
专家利用小波分析的技术特征融合近邻法成功的提出了对列车滚动轴承的故障诊断。
利用小波分析中对时窗、频窗可调节、多尺度的优良特性分析，可以在判断滚动轴承故障中起到良好的效果，能够弥补传统分析法存在的不能局部化分析、突变信号检测不完整的缺陷。
技术专家提出基于正交变换诊断滚动轴承的方式：可以在诊断的过程中利用政教小波基对产生的故障传输的信号通过交换整合到统一时间频率区域，然后通过小波重构信号调节、包络谱进行对故障的区域，在实际中这一方法得到了非常有效的成果。
也可以利用小波分析中多尺度的变换功能，将高频固有振动信号成功的从所有信号中分离出来，之后可以针对高频振动信号采用包络分析法，最后
从图谱中件故障特征的频率提取出来，这样就可以诊断在哪一个元件上引发了滚动轴承的故障。
利用小波分析法将滚动轴承的故障振动信号总结分析，然后采用具有五频带错位的包算法提取出滚动轴承故障特征信号，将滚动轴承故障部分的冲击清晰的以特征函数的形式表现出来，这种方式在实际操作中是性价比较高的，而且具有一定时效性。
在不断的事件分析中显示，小波包换能够使高频带的分辨率提升，能够克服振动信号中小波变化的缺点，小波包换在滚动轴承故障分析诊断中，也起到较强的信息提取作用，能够准确的诊断滚动轴承的故障。
2 滚动轴承故障特征分析
滚动轴承的失效，装配方式不合理、润滑程度不够、异物入侵、水分浸泡以及自然腐蚀，这些因素导致轴承较早损坏，在使用一段时间过后，即使轴承没有遇到上述因素的损坏，那么轴承自身也会因为工作磨损产生的损耗而不能正常工作。
引起滚动轴承出现故障的方式会有很多种，以下就是具体导致滚动轴承在工作中产生故障的特征分析。
滚动轴承的疲劳：在经过一段时间作业之后，轴承滚动表面、滚动体发生脱落，严重的话会产生大面的剥落坑，从而使轴承失去工作性能。
滚动轴承的胶合：滚动轴承在工作的状态中不可避免的转动会产生表面烧伤的状况，这样就会导致金属表面粘合的现象，两种分离的金属在工作状态下不合理的粘合就会导致滚动轴承无法正常工作。
滚动轴承的磨损：滚动轴承出现静压痕、红褐色磨损粉末、局部磨损，意味着滚动轴承受到损伤，从而降低了滚动轴承的工作运转周期。
滚动轴承的烧伤：滚动轴承滚到表面、体面、挡边发生熔化、软化、变色，这种局部软化的特征，意味着滚动轴承因局部烧伤而导致工作寿命简短。
其主要的诱使因素是装配不合理，润滑程度不得当。
3 基于小波分析对滚动轴承故障的简易诊断法
3.1 时域特征值诊断
振幅值诊断：在滚动轴承诊断中这是一种常见的诊断方法，在应用中也是操作比较简单的一种方式，利用滚动轴承内冲击绝对值处理之后的峰值、半个周期内的平均值以及有效值，将实测的平均值与标准值对比，继而判断出滚动轴承中的故障。
3.2 波形因数诊断
峰值与均值的笔直就是波形因数，这个比值在滚动轴承的故障诊断中是非常
有效的数值指标，滚动轴承的损伤程度是可以通过这个比值展现出来的，当波形因数数值较大，那么滚动轴承已经腐蚀，如果波形因数数值较小的话，那么说明只是发生了磨损。
3.3 波峰因数诊断
峰值与均方根的比值就是因数，在正常的情况下，滚动轴承的峰值固定指标是4～5，但是滚动轴承一旦发生裂痕、脱落、破碎故障时，其峰值就是大幅度上升到10以上，所以这个方法在日常的检测中是非常有效的诊断形式。
3.4 冲击脉冲诊断
滚动轴承在发生剥落、磨损、烧伤、裂痕的时候，如果加以作业就会产生冲击，进而引起脉冲形式振动，这就是冲击脉冲的原理，在振动中由于存在阻尼作用，脉冲性振动就会呈现衰减性的震动趋势，所以根据冲击脉冲的强弱程度就能够有效的判断滚动轴承的故障程度。
4 结论
滚动轴承的故障诊断是当下来说机械课题中相当重要的一部分，其研讨价值非常高，本篇文章中基于小波分析的理论特性，结合小波包分析等方法对滚动轴承的故障诊断提出了一些新的判断形式，这些方法不必整合滚动轴承故障信号的数学模型、参数较少、故障因素明显，结合这些实用性的特征来诊断滚动轴承的故障是非常准确且快捷的。
近几年小波变换的理论方式方法得到了更多的引进使用，但是小波分析这个诊断系统的研究只是崭露头角，利用小波分析作为传统数学工具来在故障信号诊断中对滚动轴承进行分析，这种方法在实际操作中的可行性非常强。
只要更加细致的研发小波分析的潜在价值以及优势特征，那么小波分析今后在机械故障诊断以及其他领域都会得到广阔的应用市场。
就当前形式来看，使频域分析法是将来滚动轴承故障分析的发展趋势，目前也有专家学者对小波分析、共振解调技术的应用理论加以实践研究，相信在今后的发展中会逐步投入到机械工程的使用中。
参考文献：
[1]武和雷，朱善安，林瑞仲，郑剑锋.基于能量算子解调法的滚动轴承故障诊断.农业机械学报.2003（1）.
[2]彭桂兰，郭兰坷，王旭东，张国珍，陈贤源.水泵轴承振动信号的时频分析.农业机械学报，2001（5）.
[3]夏利明.基于Kohonen神经网络的滚动轴承故障诊断.计算机工程2003（3）.
[4]于云满，邵强，胡红英，胡萍，赵志宇.小波分析及其在轴承诊断中的应
用.大连大学学报，2002（6）.
[5]任国全，韦有民，郑海起.基于小波分析的轴承故障诊断研究.河北省科学院学报，2002（2）.。