机械故障诊断技术4信号特征提取技术
机械故障诊断技术4_讲义信号特征提取技术
峰值指标Ip
Ip
Xp X rms
峰值指标Ip和脉冲指标Cf都是用来检测信号中是否存 在冲击的统计指标。
• 4．1．4 脉冲指标
脉冲指标Cf
Cf
Xp X
脉冲指标Cf和峰值指标Ip都是用来检测信号中是否存 在冲击的统计指标。由于峰值Xp的稳定性不好，对冲击的 敏感度也较差，因此在故障诊断系统中逐步应用减少，被
峭度指标所取代。
• 4．1．5 裕度指标
裕度指标Ce用于检测机械设备的磨损情况。
裕度指标Ce
Ce
X rms X
在不存在摩擦碰撞的情况下，即歪度指标变化不大的 条件下。以加速度、速度为测量传感器的系统，其平均值 反映了测量系统的温飘、时飘等参数变化。使用涡流传感 器的故障诊断系统的平均值则与磨损量有关。
• 4．1．7 峭度指标
峭度指标Cq反映振动信号中的冲击特征。
峭度指标Cq
Cq
1 N
N
( xi x)4
i1
X
4 rms
峭度指标Cq对信号中的冲击特征很敏感，正常情况下 应该其值在3左右，如果这个值接近4或超过4，则说明机
械的运动状况中存在冲击性振动。一般情况下是间隙过大
、滑动副表面存在破碎等原因。
当采样间隔合适(如b图)，其频谱图中原 信号的谱图与左右镜像不产生交错，因 此在频谱图显示时，很容易将镜像谱线 排除。
而采样间隔过大（采样频率过低）的c图 ，其频谱图中原信号的谱图与左右镜像 发生交错，在频谱图中无法将折叠过来 的镜像谱线排除。镜像谱线的高频部分 混淆到主频谱图的低频区间。
图4—11 采样信号的频混现象
（b）图是采样函数δ0（t）， 左边为时域图像，右边是δ0 （t）的频谱。
机械的特性
机械的特性
1. 机械安全的定义和特征使用和误用时，特征：系统性、防护性、友善性、整体性。
2. 机械故障诊断技术设备的状态向量(转速、温度等)是设备异常或故障信息的载体，是设备故障诊断的依据，通过传感器或其他检测手段进行状态信号监测。
分为四个步骤：信号检测、特征提取、状态识别、诊断对策。
故障诊断技术：振动信号的检测和分析;油液分析技术;温度检测及红外线检测技术;超声探伤技术;表面缺陷探伤技术。
3. 机械的可靠性设计及维修性设计
可靠性，度量指标：可靠度(概率)、故障率、平均寿命、维修度(能修复的概率)、有效度(可靠度与维修度的综合)。
维修性，考虑的问题大致包括：可达性、零组部件的标准化与互换性、维修人员的安全。
可靠性设计和维修性设计是从不同角度来保证产品的
可靠性。
机械设备故障诊断经典问题及答案详解
机械设备故障诊断包括哪几个方面的内容？答：机械设备故障诊断所包含的内容可分为三部分。
第一部分是利用各种传感器和监测仪表获取设备运行状态的信息，即信号采集。
采集到的信号还需要用信号分析系统加以处理，去除无用信息，提取能反映设备状态的有用信息（称为特征信息），从这些信息中发现设备各主要部位和零部件的性能是处于良好状态还是故障状态，这部分内容称为状态监测，它包含了信号采集和信号处理。
第二部分是如果发现设备工作状态不正常或存在故障，则需要对能够反映故障状态的特征参数和信息进行识别，利用专家的知识和经验，像医生诊断疾病那样，诊断出设备存在的故障类型、故障部分、故障程度和产生故障的原因，这部分内容称为故障诊断。
第三部分称为诊断决策，根据诊断结论，采取控制、治理和预防措施。
在故障的预防措施中还包括对设备或关键零部件的可靠性分析和剩余寿命估计。
有些机械设备由于结构复杂，影响因素众多，或者对故障形成的机理了解不够，也有从治理措施的有效性来证明诊断结论是否正确。
由此可见，设备诊断技术所包含的内容比较广泛，诸如设备状态参数（力、位移、振动、噪声、裂纹、磨损、腐蚀、温度、压力和流量等）的监测，状态特征参数变化的辨识，机器发生振动和机械损伤时的原因分析，故障的控制与防治，机械零部件的可靠性分析和剩余寿命估计等，都属于设备故障诊断的范畴。
监测与诊断系统应具备有哪些工作目标？监测与诊断系统的一般工作过程与步骤是怎样的？1) 能了解被监测系统的运行状态，保证其运行状态在设计约束之内；2) 能提供机器状态的准确描述；3) 能预报机器故障，防止大型事故产生，保证人民生命的安全。
故障诊断技术的实施过程主要包括：诊断文档建立和故障诊断实施其中故障诊断技术在实施过程中包括以下几个关键的内容： 1状态信号采集 2故障特征提取 3技术状态识别 4o 维修决策形成。
什么是转子的临界转速？挠性转子是如何定义的？答：1）当转子的转速达到横向振动的一阶自振频率时，将发生一阶共振，此时的转速即为临界转速。
机械设备故障诊断考试
1、常用的信号转换主要有：电压转换为电流、电流转换为电压、电压与频率互换2传感器的安装部位往往选择轴承座部位，并按信号传动的方向选择垂直、水平、轴向布置。
3、机械振动按振动频率分类（1）低频振动：f<10 Hz，主要测量的振幅是位移量（2）中频振动：f=10～1000Hz，主要测量的振幅是速度量（3）高频振动：f>1000Hz，主要测量的振幅是加速度4、构成一个确定振幅有三个基本要素，即振幅S，频率f（或ω）和相位φ。
5、抑制噪声干扰的方法也相应有三个：降低噪声源的强度、使接收电路对噪声不敏感、抑制或切断噪声源与接收电路间的耦合通道。
6、噪声耦合方式（1）静电耦合(电容性耦合)（2）电磁耦合(电感性耦合)（3）共阻抗耦合（4）漏电流耦合7、模／数转换器的性能指标：转换时间、转换位数和分辨率、通道数、同步采样和伪同步采样8、放大器电路的作用：测量放大器除了对低电平信号进行线性放大外，还担负着阻抗匹配和抗共模干扰的任务，模拟信号的隔离广泛采用隔离放大器9、振动诊断标准的判定参数：最佳参数是速度，也有用振幅（位移）和加速度为判定参数10、振动状态标准非为三类：（1）绝对判定标准（2）相对判定标准（3）类比判定标准11、采样定律：采样频率高于系统固有频率中最高频率的2倍对信号x(t)采样时，一定要有合适的采样频率。
设x(t)所包含的各成份中最高频率为fx，这要靠抗混低通滤波器来实现（截止频率稍高于fx）。
快速傅里叶变换（FFT）的最高分析频率fc=(1.5～2) fx，采样频率fs=2fc=(3～4)fx。
12、从动力学角度分析转子系统：分为刚性转子和柔性转子。
刚性转子：转动频率低于转子一阶横向固有频率的转子为刚性转子，柔性转子：转动频率高于转子一阶横向固有频率的转子为柔性转子。
转子的临界转速往往不止一个，它与系统的自由度数目有关问答1、故障诊断的基本方法按机械故障诊断方法的难易程度分类：可分为1)简易诊断法和2)精密诊断法。
机械设备故障诊断的前沿技术是什么
机械设备故障诊断的前沿技术是什么在现代工业生产中，机械设备的稳定运行是保障生产效率和产品质量的关键。
然而，由于长时间的运行、复杂的工作环境以及各种不可预见的因素，机械设备难免会出现故障。
及时准确地诊断出故障，并采取有效的维修措施，对于减少生产损失、提高设备利用率具有重要意义。
随着科技的不断进步，机械设备故障诊断领域涌现出了一系列前沿技术，为设备的可靠运行提供了更强大的支持。
一、基于深度学习的故障诊断技术深度学习作为人工智能领域的重要分支，在机械设备故障诊断中展现出了巨大的潜力。
传统的故障诊断方法往往依赖于人工提取特征，这不仅需要丰富的专业知识和经验，而且容易受到主观因素的影响。
深度学习模型，如卷积神经网络（CNN）和循环神经网络（RNN），能够自动从大量的监测数据中学习到有效的特征表示，从而实现更准确的故障诊断。
例如，通过将振动信号、温度数据等输入到深度学习模型中，模型可以自动识别出正常运行状态和故障状态之间的差异，并对故障类型进行分类。
此外，深度学习还可以用于预测设备的剩余使用寿命，为设备的维护计划提供科学依据。
二、无线传感器网络与故障诊断的融合无线传感器网络（WSN）的发展为机械设备故障诊断带来了新的机遇。
通过在设备上布置多个无线传感器，可以实时采集设备的运行参数，如振动、声音、压力等。
这些传感器节点之间可以相互通信，将采集到的数据传输到中央处理单元进行分析。
与传统的有线监测系统相比，无线传感器网络具有安装方便、成本低、可扩展性强等优点。
同时，结合先进的信号处理和数据分析算法，可以从海量的监测数据中提取出有价值的信息，实现对设备故障的早期预警和诊断。
三、基于模型的故障诊断方法基于模型的故障诊断方法是通过建立机械设备的数学模型，来预测设备在正常运行条件下的输出，并将实际监测到的输出与模型预测值进行比较。
如果两者之间存在较大偏差，则表明设备可能出现了故障。
这种方法需要对设备的工作原理和结构有深入的了解，建立精确的数学模型。
《2024年旋转机械故障诊断与预测方法及其应用研究》范文
《旋转机械故障诊断与预测方法及其应用研究》篇一一、引言旋转机械作为工业生产中不可或缺的重要设备，其稳定运行对生产效率和产品质量具有重大影响。
然而，由于操作环境复杂、维护不当或设备老化等因素，旋转机械常会出现各种故障。
这些故障如不及时发现和处理，可能会对生产造成巨大损失。
因此，对旋转机械的故障诊断与预测显得尤为重要。
本文将重点研究旋转机械的故障诊断与预测方法，以及其在工程实践中的应用。
二、旋转机械故障诊断与预测方法（一）基于信号处理的诊断与预测方法1. 信号采集：通过传感器技术，实时采集旋转机械的振动、声音、温度等信号。
2. 信号处理：利用信号处理技术，如频谱分析、小波变换等，对采集的信号进行预处理和特征提取。
3. 故障诊断与预测：根据处理后的信号特征，结合专家系统或模式识别技术，实现故障的诊断与预测。
（二）基于机器学习的诊断与预测方法1. 数据预处理：对历史故障数据进行清洗、标注和整理，构建故障数据集。
2. 模型训练：采用机器学习算法，如支持向量机、神经网络等，对故障数据集进行训练，建立故障诊断与预测模型。
3. 模型应用：将训练好的模型应用于实际场景中，实现旋转机械的故障诊断与预测。
（三）基于深度学习的诊断与预测方法深度学习通过模拟人脑神经网络的工作方式，可以自动提取数据的深层特征。
在旋转机械的故障诊断与预测中，深度学习模型可以更好地处理复杂、非线性的故障数据。
常见的深度学习模型包括卷积神经网络、循环神经网络等。
三、旋转机械故障诊断与预测方法的应用研究（一）在设备维护中的应用通过实时监测和诊断旋转机械的故障，可以及时发现潜在的问题并采取相应的维护措施，从而避免设备停机或损坏。
这不仅可以提高设备的运行效率，还可以延长设备的使用寿命。
（二）在生产管理中的应用通过对旋转机械的故障进行预测和预警，可以提前制定生产计划和调整生产安排，避免因设备故障而导致的生产延误和资源浪费。
这有助于提高生产效率和产品质量。
机械设备状态监测与故障诊断技术
（大、中、小修 ） 不足维修——新故障和潜在的故障因素
路漫漫其悠远
机械设备状态监测与故障诊断技术
第一章 概 述
2.2重要缺陷—传统的检修方式对于故障的寻找往往需要
对设备的大拆大卸才能实现，检修周期长，且检修后，设备
机械设备状态监测与故 障诊断技术
路漫漫其悠远
2020/11/18
机械设备状态监测与故障诊断技术
第一章 概述
近些年来，设备状态监测与故障诊断逐渐进入工程应用 阶段，技术日趋成熟，应用范围日趋广泛，成为现代设备维 护技术的一个重要组成部分。
一、实施设备状态监测与故障诊断的意义
1.机械设备维护的基本任务：对设备进行合理的技术维护、 及时发现异常和故障、适时采取检修措施以最大限度保证其 正常运行。 2.传统的机械设备维护方法——一定意义上的经验维护法 特点：具有相当的局限性，往往依靠人的眼看、耳听、手摸 等感观手段获取某种信息继而凭借过去的经验来加以判断。
路漫漫其悠远
齿轮座受倾翻力矩作用
机械设备状态监测与故障诊断技术
机械振动及设备故障诊断方向
轧机主传动系统故障诊断
a. 咬入
路漫漫其悠远
c.抛出
齿轮座振动纪录曲线机械设备状态监测与故障诊断技术
机械振动及设备故障诊断方向
小波分析在故障诊断中的应用
小波具有时频“聚焦”特性 高斯小波—最大熵谱分析 小波分析—AR谱 实现微弱故障诊断信号分离和提取，发现早期故障 R1减速机高速轴工作侧轴承保持架不平衡产生的故障频率 计算值3.19HZ 故障：该轴承保持架不平衡
§ 有限元计算：两向受力，一向受压，等效应力最大
机械故障诊断技术_其他故障诊断技术
如何从复杂的机械设备运行数据中提取出有用的故障特征，是故障诊断技术的关键。目前，一些先进的信号处理和特 征提取方法已经在故障诊断中得到了应用，但仍需要进一步完善和优化。
故障诊断准确性
提高故障诊断的准确性是故障诊断技术一直追求的目标。然而，由于机械设备种类繁多、故障模式复杂 多变等因素，实现高准确性的故障诊断仍然具有很大的挑战性。
光学与声学故障诊断技术
红外热像检测
利用红外热像仪检测设备 表面的温度分布，诊断设 备的过热、接触不良等故 障。
激光干涉测量
利用激光干涉仪测量设备 的微小位移和形变，诊断 设备的机械故障。
声发射检测
通过声发射传感器检测设 备内部裂纹扩展、应力波 等声发射信号，诊断设备 的疲劳、裂纹等故障。
04
机械故障诊断案例分析
故障预测与健康管理技术研究
故障预测与健康管理（PHM）技术是一种新兴的故障诊断 技术，它通过对机械设备的实时监测和数据分析，实现对 设备故障的早期预警和健康管理。未来，PHM技术将成为 故障诊断领域的重要研究方向之一。
THANKS
感谢观看
多技术融合
将多种故障诊断技术融合起来，形成优势互补，提高故障诊断的全面性和准确性。例如， 将振动分析、油液分析、红外测温等技术相结合，可以对机械设备进行更全面的状态监测 和故障诊断。
故障诊断技术面临的挑战与问题
数据获取与处理
在进行故障诊断时，需要获取大量的机械设备运行数据。然而，由于数据来源多样、数据质量参差不齐等问题，给数 据获取和处理带来了很大的挑战。
压路机振动轮、行走机构和转向系统等部件的故障。
05
其他故障诊断技术应用实例
电气设备故障诊断实例
电机故障诊断
机械故障诊断技术习题参考答案
1参考答案教材设备故障诊断沈庆根、郑水英化学工业出版社2006.3第1版2010.6.28 于电子科技大学1 第1章概论1.1 机械设备故障诊断包括哪几个方面的内容答机械设备故障诊断所包含的内容可分为三部分。
第一部分是利用各种传感器和监测仪表获取设备运行状态的信息即信号采集。
采集到的信号还需要用信号分析系统加以处理去除无用信息提取能反映设备状态的有用信息称为特征信息从这些信息中发现设备各主要部位和零部件的性能是处于良好状态还是故障状态这部分内容称为状态监测它包含了信号采集和信号处理。
第二部分是如果发现设备工作状态不正常或存在故障则需要对能够反映故障状态的特征参数和信息进行识别利用专家的知识和经验像医生诊断疾病那样诊断出设备存在的故障类型、故障部分、故障程度和产生故障的原因这部分内容称为故障诊断。
第三部分称为诊断决策根据诊断结论采取控制、治理和预防措施。
在故障的预防措施中还包括对设备或关键零部件的可靠性分析和剩余寿命估计。
有些机械设备由于结构复杂影响因素众多或者对故障形成的机理了解不够也有从治理措施的有效性来证明诊断结论是否正确。
由此可见设备诊断技术所包含的内容比较广泛诸如设备状态参数力、位移、振动、噪声、裂纹、磨损、腐蚀、温度、压力和流量等的监测状态特征参数变化的辨识机器发生振动和机械损伤时的原因分析故障的控制与防治机械零部件的可靠性分析和剩余寿命估计等都属于设备故障诊断的范畴。
1.2 请简述开展机械设备故障诊断的意义。
答1、可以带来很大的经济效益。
①采用故障诊断技术可以减少突发事故的发生从而避免突发事故造成的损失带来可观的经济效益。
②采用故障诊断技术可以减少维修费用降低维修成本。
2、研究故障诊断技术可以带动和促进其他相关学科的发展。
故障诊断涉及多方面的科学知识诊断工作的深入开展必将推动其他边缘学科的相互交叉、渗透和发展。
2 第2章故障诊断的信号处理方法2.1 信号特征的时域提取方法包括哪些答信号特征的时域提取方法包括平均值、均方根值、有效值、峰值、峰值指标、脉冲指标、裕度指标、偏度指标或歪度指标、偏斜度指标、峭度指标。
机械故障快速诊断技术
映设备状态的二次效应也是多种多样 的，与之相适 应 的诊断手段有振动测试 ， 油样 分析 、 温 度监测 、 冲 击脉冲测量 、 超声波探伤 以及性能参数检测 等多种。 每一种诊断手段都是从不同的角度揭示故障某种特 性， 获取有关设备某一方面 的状态信息 ， 但任何一种 诊断手段 ， 都有它 的特殊作 用 ， 也都有其 局限性 ， 因 此， 在实施 现场诊 断时 ， 需要根据具体情 况 ， 灵 活应 用 各 种诊 断 手 段 ，如 ：诊 断滚 动 轴 承可 以应 用 脉 冲 法、 振动法、 温度监测 、 油液分析等多种手段 ， 以便做 出准确 的判 断 。 振 动 诊 断 是 应 用 最 普 遍 也 是 最 重 要 的 诊 断 手 段， 然而 ， 它对于低速 （ 尤其是超低速 ） 设备 的诊断显 得不敏感 ，类似这样低速设备的诊断还须采用其他 辅助手段 ， 如油液分析方法 ， 较适合于诊 断低转速设 备， 用振动诊断手段却不一定能做出确切的判断。 ３ ． ２ 采 用多种 分 析方 法 充分 提取 故 障特性 （ １ ） 各种信号分析方法的综合运用 对设备状态信号 ， 从多方面分析 ， 充分提取故障 特征 ， 为确诊故 障提供充分准确的信息 ， 这也是综合 诊断的重要 内容。过去 ， 对振动分析 ， 一般 只强调频 率分析 ， 频率分析作为振动分析的经典方法 ， 在故障 诊断 中有着最广泛 的应用 ， 但是 ， 它在故 障诊 断中的 作用仍然是有限的。 有时有可能造成误判。 造成这种 情况的主要 因素有 ：
２ 机械设备故 障诊 断技 术所 包含 的内容
机械设备故障诊断技术根据诊 断的 目的及所选 取 的诊 断 方法 不 同其实 施 过程 也 有 所 不 同 ，但 基 本 过程是相同的， 主要包括 ： 机械设备状态信号特征 的 获取 、 故障特征的提取 、 故障诊断、 维修决策的形成 。 机械设备状态信号是机械设备异 常或故障信息 的载体 ，选用一定的方法和检测系统采集最能反映 诊 断对象状态特征的信号 ，是故障诊断技术实施过 程 中不可缺少的环节。能够真实 、 充分地采集到足够 数量而且客观反映对象状况的状态信号 ，是故障诊 断技术成功与否的关键 ， 当识别故障之后 ， 必须进一 步对设 备的异常或故 障及其危 险程 度做出评价 ， 以 便研究和确定维修的具体形式 ， 即所谓的维修决策。
旋转机械故障诊断中的信号处理技术综述
6、谱分析
总结 本次演示介绍了旋转机械故障诊断中常用的几种信号处理技术。这些技术在 分析设备的振动、声音等信号时具有不同的优势和特点。在实际应用中，可以根 据设备的类型和故障类型选择合适的信号处理方法，以提高故障诊断的准确性和 效率。随着科技的不断发展，更多的信号处理技术将会被应用到旋转机械故障诊 断中，为工业生产的稳定性和安全性提供更好的保障。
4、独立成分分析
4、独立成分分析
独立成分分析（ICA）是一种用于分离独立源信号的方法，它能够从复杂的混 合信号中找到主要的成分。在旋转机械故障诊断中，ICA可用于分析复杂的振动 信号，以识别出由不同故障源引起的振动。例如，通过ICA分析，可以区分由轴 承故障和齿轮故障引起的振动信号，从而更精确地诊断设备的故障类型。
1、傅里叶变换
1、傅里叶变换
傅里叶变换（FT）是信号处理领域中最基本的工具之一，它将时域信号转换 为频域信号，从而让我们能够看到信号在各个频率下的强度。在旋转机械故障诊 断中，通过FT可以分析设备运行时的振动、声音等信号，揭示其工作状态。例如， 通过对振动信号的FT分析，可以识别出轴承是否处于正常状态或出现故障。
2、基于神经网络的诊断技术
2、基于神经网络的诊断技术
基于神经网络的诊断技术是一种利用神经网络进行模式识别的技术。该技术 通过训练神经网络，使其能够根据输入的故障信号进行分类和识别，从而实现故 障诊断。该技术具有自适应性、鲁棒性和学习能力等优点，但需要大量的训练数 据和计算资源。
3、基于深度学习的诊断技术
5、神经网络
5、神经网络
神经网络是一种模拟人脑神经元连接方式的计算模型，它能够学习和识别复 杂的模式。在旋转机械故障诊断中，神经网络可用于训练和识别设备的故障模式。 通过收集大量的正常和故障状态下的信号数据，可以训练神经网络对不同类型的 故障进行分类和预测。此外，深度学习技术如卷积神经网络（CNN）和循环神经 网络（RNN）也在旋转机械故障诊断中得到了广泛应用，它们能够在复杂的信号 中提取出更有效的特征，从而提高故障诊断的准确性。
机械故障诊断技术
3、有的仪器可分为几个频率档可分别读值， 也可同时进行若干个频率档分析。 二、声级计 机械运转是会产生：振动和噪声。 声级计是测量噪声的专用分析仪器。 一般使用电容式传声器，经放大及计权后可读出声压 级的大小。 存在的问题：1、存在背景噪声的干扰；2、虽然能进 行倍频程分析，但由于产生噪声的零件多、传输途径 复杂，很难确定产生故障的零件部位。 三、温度计 温度仪、红外线测温仪、温度传感器、温度监测系统
曲线)
浴盆曲线沿时间轴分为三部分:
Ⅰ 磨合期,表示新机器的跑合阶段,故障率较高;
Ⅱ 正常使用期,表示机器经跑合后处于稳定阶段, 故障率最低;
Ⅲ 耗损期,表示机器由于磨损、疲劳、腐蚀等已 处于老年阶段，故障率逐步上升。
一般现场设备都处于Ⅱ、Ⅲ阶段，可取浴盆曲 线的一半，称为劣化曲线。 劣化曲线沿纵轴可分为三个阶段： 绿区（G） 包括浴盆曲线的正常使用阶段， 故障率最低，它表示机器处于良好状态； 黄区（Y） 包括浴盆曲线Ⅲ区的初始阶段， 故障率已有升高的趋势，表示机器处于注意状态；
第五节、旋转机械转子现场平衡技术
第三节、旋转机械故障的简易诊断法
简易诊断方法 是采用便携式测 振仪采集信号，并由信号的某些参数或 统计量构成诊断指标，由此来判定设备 的运行状态是否正常。 简易诊断方法 主要用于设备 状态监测，作为精密诊断的基础。 特点：简单易行、投资少、见效快； 但功能受限制，只能解决故障诊断的初 步分类（初级阶段）。
设备监测与诊断过程
设备监测与诊断过程如框图所示：
故障模拟 信号检测 特征提取 各种样板模式
典型故障
信号检测
故障信号
特征提取
故障档案库
状态模式 待检模式
设备
电机振动信号处理及故障诊断技术研究
电机振动信号处理及故障诊断技术研究一、引言电机是现代工业中必不可少的一种设备，其保障了生产线的正常运转。
电机的振动信号是其重要的运行状态参数之一，振动信号处理及故障诊断技术对于提高生产效率、保障设备可靠性至关重要，因此该技术越来越受到人们的关注。
二、电机振动信号的处理技术1. 信号获取电机振动信号获取是故障诊断技术的基础，常用的信号获取方式包括加速度传感器、速度传感器以及位移传感器等。
加速度传感器是最常用的振动信号获取方式，能够直接测量电机振动信号的加速度，并将其转化为电信号输出，同时具有高频响应、快速响应的优点。
2. 信号滤波由于电机振动信号中存在着大量的高频噪声，因此需要对振动信号进行滤波处理。
常用的滤波方式包括数字滤波和模拟滤波两种方法。
数字滤波利用数字信号处理技术对信号进行去噪处理，可以有效地分离信号中的噪声信号，提高信号的可靠性。
而模拟滤波则是对信号进行模拟处理，消除信号中的高频噪声。
3. 信号分析电机振动信号分析是振动信号处理中最重要的一步，常用的信号分析方式包括时域分析、频域分析和时频域分析等。
时域分析可以分析信号的变化趋势，反映信号的动态特性，而频域分析可以提供信号的频率信息，帮助判断故障类型。
时频域分析则是综合了时域分析和频域分析的优点，既能描述信号的时变特性，又能分析信号的频谱信息。
4. 特征提取振动信号特征提取是故障诊断的核心步骤，目的是从复杂的振动信号中提取出关键的特征参数。
常用的特征提取方法包括小波变换、小波包变换、功率谱密度分析、频带能量分析等。
特征提取能够有效地减少数据量，从而提高诊断的效率和准确度。
三、故障诊断技术1. 故障诊断原理利用电机振动信号处理后的特征参数，可以对电机故障进行诊断。
故障诊断原理是基于故障振动信号的不同，提取出诊断参数，根据特殊的识别规则判断电机是否发生故障。
常见的故障诊断参数包括峰值、频率、相位等。
2. 故障类型识别电机故障类型种类繁多，其中常见的故障类型包括轴承故障、不平衡、松动等。
机械振动信号分析与故障诊断的研究进展
机械振动信号分析与故障诊断的研究进展一、引言机械振动信号分析与故障诊断是现代工程领域中重要的研究方向之一。
随着工程技术的发展和智能化水平的提高，传感器和数据采集技术的进步为机械设备振动信号的分析和故障诊断提供了更为全面和精确的手段。
本文将针对机械振动信号分析与故障诊断的研究进展进行探讨，分析其现状和发展趋势。
二、振动信号分析技术1. 频域分析频域分析是对机械振动信号进行谱分析，通过将振动信号从时域转换到频域，可以观察到信号中不同频率成分的能量分布情况。
常见的频域分析方法包括傅里叶变换、功率谱分析和相关函数等。
这些方法可以快速、准确地提取振动信号的特征值，有助于判断机械设备的运行状态和可能的故障。
2. 时间域分析时间域分析是对机械振动信号在时域上进行分析，主要通过观察信号的波形、幅值和周期等特征来判断机械运行的稳定性和故障情况。
脉冲响应、自相关函数和互相关函数等是常用的时间域分析方法。
该方法可以反映振动信号的瞬态特征，有助于检测和分析机械设备的异常振动。
三、故障诊断方法1. 特征提取特征提取是基于振动信号的特征参数，通过提取和分析信号中的频率、振幅、相位和能量等特征，以发现和识别故障信号的出现。
常用的特征参数包括峰值、峭度、峰值因子、裕度因子等。
通过有效地提取特征参数，可以准确地识别机械设备的故障类型和程度。
2. 模式识别模式识别是将振动信号与预先建立的模式进行对比，通过对比分析，确定信号的相似性和相异性，从而判断机械设备的状态。
常用的模式识别方法包括人工神经网络、支持向量机和模糊聚类等。
这些方法可以根据已知的振动信号模式进行学习和预测，提高故障诊断的准确性和稳定性。
四、应用案例机械振动信号分析与故障诊断在工程实践中具有广泛的应用。
以机械设备故障诊断为例，通过对振动信号的采集和分析，可以实时监测设备的运行状况，并提前发现潜在的故障隐患。
例如，在风力发电机组中，通过对叶片振动信号的分析，可以判断叶片的偏差或破损情况，及时进行维修和更换，保证发电机组的正常运行。
智能制造系统中的故障诊断技术研究
智能制造系统中的故障诊断技术研究智能制造系统是指利用先进的信息技术和智能化设备，通过集成、网络化和自动化的方式，实现生产过程的优化、资源的高效利用和产品的个性化定制。
然而，由于各种原因，智能制造系统中的故障问题时有发生，可能会导致生产效率下降、设备损坏甚至事故发生。
因此，研究智能制造系统中的故障诊断技术对于提高系统的稳定性和可靠性具有重要意义。
故障诊断是指通过对系统进行监测、分析和判断，确定系统中故障的发生位置以及故障的原因和性质的过程。
在智能制造系统中，故障诊断技术能够帮助企业及时发现和解决故障，避免因故障产生的不良后果。
以下将从数据采集、特征提取和模型建立等方面介绍智能制造系统中的故障诊断技术。
首先，在智能制造系统中，数据采集是故障诊断的基础。
通过传感器、控制器等设备采集的数据可以获得系统运行状况的信息，从而判断是否存在故障。
数据采集需要考虑数据的完整性、准确性和实时性等要求，以保证数据的可靠性和有效性。
同时，对大量的数据进行实时监测和处理也需要高效的数据存储和处理技术的支持。
其次，特征提取是故障诊断过程中的关键环节。
在智能制造系统中，可以通过对采集到的数据进行特征提取来获得关键信息，从而判断系统中的故障。
常用的特征包括时域特征、频域特征和时频域特征等。
时域特征以信号的幅值、波形参数等为准，频域特征以信号的频率、幅值谱等为准，时频域特征则将时域和频域特征相结合。
通过合理选择特征提取方法和参数，可以实现对系统中故障的判别。
然后，模型建立是故障诊断技术的核心。
在智能制造系统中，通常采用统计分析、人工智能和机器学习等方法建立模型，实现对系统故障的预测和诊断。
统计分析方法通常基于系统的统计特性和概率分布等进行建模，通过分析系统的历史故障数据可以得到故障发生的概率。
人工智能方法则利用专家系统、模糊逻辑和神经网络等技术，将专业知识和经验融入到模型中，实现对故障的识别和判别。
机器学习方法则可以通过对系统数据进行训练和学习，建立故障预测和诊断模型。
浅析煤矿机电设备故障诊断和预警技术发展趋势
浅析煤矿机电设备故障诊断和预警技术发展趋势摘要：随着煤矿需求量的逐年增多，对煤矿机电设备运行质量的要求也在提高。
现代煤矿生产过程中需要用到大量的机电设备，比如综采设备、通风设备、液压设备、运输设备等，正是这些电气设备密切配合，才能保障煤矿开采活动的顺利进行。
大量机械化、自动化、智能化电气设备的应用不仅提高了煤矿井下作业的效率，而且提升了煤矿采掘过程的安全性，降低了煤矿事故的发生率。
然而，随煤矿机电设备的广泛应用，不同类型的机电设备故障时有发生，需要对机电设备的故障及时诊断和维修，保证煤矿生产正常进行。
煤矿技术人员在处置机电设备故障时也要综合判断机电设备实际运行状态，认真分析设备出现故障的原因，结合设备故障类型，组织开展针对性维修，确保机电设备高效运转。
关键词：机电设备；故障诊断；维修技术引言煤炭开采过程涉及很多机电设备的应用。
这些设备的种类、型号较多，而且成本也较高，因此需要煤矿企业高度重视机电设备的维护和修理工作。
只有设备处在良好状态下，才能更好地发挥出其作用和优势，从而提高煤矿的生产效率和经济效益。
但是实际上，煤矿企业为了追求开采效率，致使机电设备长期处在恶劣环境和高强度工作状态中，机电设备难免会发生故障，其运行的稳定性和安全性受到影响。
因此，煤矿企业需要对机电设备进行故障诊断和维修，相关专业人员需要科学合理地选择故障诊断方式，并且及时进行维修，使机电设备尽快恢复生产，将机电设备故障带来的损失降到最低。
1煤矿机电设备故障诊断技术分析1.1人工现场故障诊断技术在煤矿机电设备运行过程中，一旦发生机电设备故障，井下作业人员可以迅速根据设备型号和实际状态迅速采取行动。
资深技术人员能够根据机电设备的异常参数，比如：温度、压力、润滑等异常情况，迅速判定机电设备故障的位置和异常情况，同时利用检测设备检验设备的外部信息，进一步判定设备是否存在短路、液压油乳化或不足、散热元件损耗等导致机电设备发生故障的具体原因，从而为机电设备维修提供必要的指导。
机械设备故障诊断的前沿技术是什么
机械设备故障诊断的前沿技术是什么在现代工业生产中，机械设备的稳定运行是保障生产效率和质量的关键。
然而，由于长时间的运行、复杂的工作环境以及各种不可预见的因素，机械设备难免会出现故障。
及时准确地诊断出故障，并采取有效的维修措施，对于减少停机时间、降低维修成本、提高设备可靠性和安全性具有重要意义。
随着科技的不断进步，机械设备故障诊断技术也在不断发展，涌现出了一系列前沿技术。
一、基于大数据分析的故障诊断技术随着工业互联网和物联网技术的普及，大量的机械设备运行数据被实时采集和存储。
这些数据包含了设备的各种运行状态信息，如温度、压力、振动、电流等。
通过对这些大数据的分析，可以挖掘出设备运行的潜在规律和模式，从而实现故障的诊断和预测。
大数据分析在机械设备故障诊断中的应用主要包括数据预处理、特征提取、模型建立和故障诊断等步骤。
首先，需要对采集到的原始数据进行清洗和预处理，去除噪声和异常值，以提高数据质量。
然后，通过特征工程技术提取能够反映设备故障的关键特征。
接下来，利用机器学习或深度学习算法建立故障诊断模型，如支持向量机、决策树、神经网络等。
最后，将实时采集的数据输入模型中，进行故障诊断和预测。
基于大数据分析的故障诊断技术具有数据驱动、自适应性强、能够发现潜在故障等优点。
然而，该技术也面临着数据质量、数据安全、计算资源等方面的挑战。
二、基于深度学习的故障诊断技术深度学习是近年来人工智能领域的热门技术，在机械设备故障诊断中也得到了广泛的应用。
深度学习模型，如卷积神经网络（CNN）、循环神经网络（RNN）和长短时记忆网络（LSTM）等，能够自动从大量的数据中学习到复杂的特征和模式，从而实现高精度的故障诊断。
以卷积神经网络为例，它可以直接处理原始的振动信号等数据，通过卷积层和池化层自动提取故障特征。
循环神经网络和长短时记忆网络则适用于处理具有时间序列特性的数据，能够捕捉故障发展的动态过程。
深度学习在机械设备故障诊断中的应用需要大量的标注数据进行训练，以提高模型的准确性和泛化能力。
信号特征提取
③将上述对应的 IMF 进行总体平均运算，得到 EEMD 分解后最终的IMF
c j (t)
1 N
N
cij (t)
i 1
22
振动信号 预处理 特征提取 分类识别
分类识别
模式识别
优点：经典的(参数)统计估计方法，其学习方法的重要理 论基础之一是统计学。 缺点：需要知道样本的分布形式，并且需要无穷多的样 本，使得其在实际表现中并不尽如人意。
基于频域特征提取法优缺点
优点：频域分析实际物理意义明确，能够提供比时域波形更加直观的特征信息。 缺点：只能在有限区间内进行，并且由于时域截断会带来能量泄漏，使得离散 频谱的幅值、相位和频率都可能产生较大误差。
5
特征提取方法
短时傅里叶变换优缺点
优点：能得到不同时刻的频谱。 缺点：对信号突变反应不灵敏，且窗口大小固定不变。
信号特征提取
The Feature Extraction of Vibration Signals
引言
信号特征提取是从信号中获取信息的过程，是模 式识别、智能系统和机械故障诊断等诸多领域的基 础和关键，特征提取广泛的适用性使之在诸如语音 分析、图像识别、地质勘测、气象预报、生物工程、 材料探伤、军事目标识别、机械故障诊断等几乎所 有的科学分支和工程领域得到了十分广泛的应用。
对于任意的时间序列x(t)，若满足条件：
x( ) d
t
则信号的Hilbert变换可表示为
H[x(t)]
1
x( )
P
d
t
其中P为柯西主值。
18
希尔伯特黄变换-希尔伯特变换
将分解得到的IMF分量做Hilbert变换
H[ci
(t)]
机械振动信号的异常检测与诊断
机械振动信号的异常检测与诊断引言：在机械工程领域，机械振动信号的异常检测与诊断是一项重要而又具有挑战性的任务。
通过对振动信号的分析和诊断，可以及时发现机械设备的故障，并采取相应的修复措施，以防止设备损坏或事故发生。
本文将从异常检测的方法、故障诊断的技术以及信号处理的原理等方面展开探讨。
一、异常检测的方法异常检测是指通过对振动信号进行分析，识别和检测其中存在的异常或故障。
常用的异常检测方法包括统计分析、模型识别和机器学习等技术手段。
统计分析是一种基于统计学原理的异常检测方法。
通过对振动信号的统计特性进行分析，识别出与正常工作状态有明显差异的异常信号。
常用的统计分析方法包括均值、方差、自相关函数、互相关函数等。
模型识别方法基于建立模型和观察数据之间的关系，通过对振动信号的模型参数进行识别和检测异常。
常用的模型识别方法有自回归模型、自动回归移动平均模型、卡尔曼滤波器等。
机器学习方法是通过对已知正常和异常样本进行训练，建立分类或回归模型，再对新的振动信号进行判别。
常用的机器学习算法有支持向量机、神经网络、决策树等。
二、故障诊断的技术故障诊断是指通过对异常振动信号的进一步分析，确定设备的故障类型和位置。
常用的故障诊断技术包括频谱分析、时频分析和小波变换等。
频谱分析是一种将时域信号变换到频域的方法。
通过对振动信号进行傅里叶变换，可以得到信号的频谱图，进而分析故障频率和振动模式。
常用的频谱分析方法有傅里叶变换、快速傅里叶变换和小波变换等。
时频分析是一种将时域和频域信息同时考虑的方法。
通过对振动信号进行短时傅里叶变换或小波变换，得到信号在时间和频率上的分布。
时频分析能够分析非平稳信号和瞬态故障，更适用于复杂故障的诊断。
小波变换是一种将时域信号分解成不同频率成分的方法。
通过对振动信号进行小波变换，可以将信号转换到时频域，进一步提取故障特征。
小波变换适用于分析非平稳和非线性振动信号。
三、信号处理的原理信号处理是机械振动信号异常检测与诊断的核心技术。
机械故障诊断的稀疏特征提取方法
2018年4月第45卷第2期西安电子科技大学学报（自然科学版）JOU RN AL OF X ID IA N U N IV E R SIT YApr. 2018Vol. 45 No. 2do i ： 10.3969/j. i s s n. 1001-2400.2018.02.026机械故障诊断的稀疏特征提取方法贺王鹏，孙伟，苏博，闫允一，郭宝龙(西安电子科技大学空间科学与技术学院，陕西西安710071)摘要：针对旋转机械的周期性稀疏故障特征提取问题，提出了 一种周期重叠簇稀疏信号优化特征提取算法.该算法根据机械故障诊断周期性特征提取问题构造了有效的稀疏优化目标函数，该目标函数中的正则项（惩罚函数）选用非凸惩罚函数来增强周期性特征的稀疏性，并且证明了非凸可控化参数在一定约束条件下可以保证目标函数整体为凸.基于优控极小化方法求解所构造的优化问题，推导出高效的快速迭代收敛数值算法，该求解算法最终收敛于优化问题的全局最优解.将所研究的周期重叠簇稀疏信号优化特征提取算法应用于仿真信号，定量分析了其相对于对比算法的优越性.最后，将所研究的周期重叠簇稀疏信号优化特征提取算法应用于轴承故障特征提取中，结果表明，该算法其可以有效地提取稀疏微弱故障特征.关键词：旋转机械；故障诊断；凸优化；稀疏特征提取中图分类号：TH17 文献标识码：A 文章编号：1001-2400(2018)02-0154-06Sparse feature extraction technique andits applications to machinery fault diagnosisH E W a ngp eng, SUN Wei, SU Bo, Y A N G Yunyi, GUO Baolong(School of Aerospace Science & Technology, Xiclian U n iv.，Xi’an 71007 1，China)Abstract：To address the problem of extracting pcriodic-group-sparsc features for the purpose of detectingmachinery faults, the periodic overlapping group sparsity (PO GS) method is thoroughly investigated. ThePOGS method formulates a convex optimization problem to extract periodic sparse features based on theprior knowledge of machinery fault diagnosis. The non-convcx penalty functions arc employed to furtherenhance the sparsity of useful fault features. Moreover, the convexity condition of the POGS optimizationproblem is provided. A fast iterative algorithm is given for its optimal solution based on the majorization-minimization approach. A simulated signal is formulated to verify the performance of the POGS method forperiodic feature extraction. Finally, the POGS method is applied to process experimental data for detectingbearing faults. The estimated results demonstrate that the POGS method can effectively extract thepcriodic-group-sparsc fault features.Key Words：rotating machines; fault diagnosis; convex optimization; sparse feature extraction 重大机械设备不仅是重要的工业制造产品，也是.关键的生产资料，其使用几乎覆盖了后续更新产品的设 计、制造、测试和服役保障等诸多环节.然而.这些关键设备在高温腐蚀、复杂极端、重载强度和长时间疲劳等 恶劣的工作条件下运行•零部件不可避免会发生性能退化和故障失效D].旋转机械关键零部件存在局部损伤故障时，其运行过葙中会产生M斯性冲击响应特征，且每个有用冲击 特征信息并不是孤立的数据点，而是具有簇稀疏的点集合*在机械设备运行过程中，采集得到的振动信号不 可避免地会受到系统嗓声和环境噪声的干扰，H'设备存在早期微弱故障时，故障的特征本身比较微弱，有用收稿日期：20丄7-08-13:: 网络出版时间：2W7-0SWS基金项目：国象倉然翁孪基金资劢项与（a—1縣K56 >:中类#校基本#_业餐■专领资金资勘项S(2WJ13170447 > :滅龜电子.技大荸_意 验开農与新实验设备研制及实验教学玫革资助*〇S >作者简介：贺王鹏（1989—f.男，讲师，E-mail: hewp@xidian. edu, cn.网络出版地址：http://kns. enki. net/kcms./detail/61. 1076. TN. 20170928. 2210. 052. html第2期贺王鹏等：机械故障诊断的稀疏特征提取方法155的故障特征信息往往被淹没在强大的背景噪声中[亿机械故障动态信号的微弱性主要表现在两个方面：① 故障损伤信号特征本身非常微弱，如早期故障；②有用故障特征信号被机械系统多干扰源和强噪声所淹没，导致难以识别，这使得关键设备的状态监测和故障诊断的难度不断增大《#因此，研究先进的故障特征提取 技术，具有重要的工程意义和实用价值.近年来工程中广泛应用的傅里叶变换和小波变换等非平稳信号处理方法，其本质都是基于内积变换原 理的特征波形基函数分解.其中，基于小波的稀疏特征提取技术得到了国内外学者的广泛关注[4].然而，对于 复杂多变信号，小波变换在信号稀疏特征提取方面缺乏自适应性.针对此类信号，建立在多种基函数之上的 原子分解方法（如匹配追踪和基追踪）可以取得较好的效果[11.目前广泛应用的稀疏优化模型中，基于范数的凸正则化得到各个领域的青睐.然而，非凸正则化往往能够取得更好的处理效果，但是非凸正则项的引 人可能会牺牲目标函数的凸性® .针对此问题，文献[7]提出了一种巧妙的解决思路:通过适当的约束非凸正 则项（惩罚函数），使其与凸的二次数据保真项进行平衡，可以保证目标函数整体仍然为凸.基于上述思想，一 些学者在近年来构造出具体的优化模型，并取得了比凸正则化更佳的应用效果[8].笔者针对旋转机械的周期簇稀疏故障特征提取问题，深人研究了 一种周期重叠簇稀疏（Periodic Overlapping Group Sparsity，POGS)信号优化特征提取算法[6]•旨在从含噪观测数据中提取周期簇稀疏故 障特征，所研究的PO G S算法构造了有效的优化目标函数，该目标函数中的正则项（惩罚函数）选用非凸惩 罚函数来增强周期性特征的稀疏性，并且证明了非凸可控化参数在一定约束条件下可以保证目标函数整体 为凸.引人优控极小化方法（Majorization-M inim ization，M M)[9]，推导出高效的迭代收敛算法用于POGS 算法优化问题的求解.将所提出的PO G S算法应用于仿真信号，定量地分析了其有效性.最后将PO G S算法 应用于轴承故障特征提取中，进一步验证了其在稀疏故障特征提取中的优越性.1问题描述和非凸惩罚函数1.1问题描述文中研究时域周期性簇稀疏故障特征的优化提取问题.假设观测到的含噪信号可表示为y=x+w,(1)其中，x表示具有周期簇稀疏特征的信号成分^表示背景噪声，通常假设为高斯白噪声.需要说明的是，在 通用的故障诊断降噪模型中，一般假设观测信号由有用振动成分和干扰噪声组成，而文中直接将观测信号构 造为稀疏故障特征和噪声的合成信号，旨在提取出与故障直接相关的周期性稀疏特征.1.2非凸惩罚函数文中选用非凸惩罚函数来增强周期性特征的稀疏性，假设非凸惩罚函数卜R+R，满足如下特性：(1) #在实数范围内连续.(2) #在R\{Q丨范围内二阶可微.(3) #在R+范围内递增且是凹的.(4) #是对称函数，即#(—j:) =#(x).(5) ^(0 ) =1(在0处的斜率为1).(6) V f#0,存在 f(:c) > 多"(0+).文中使用的非凸惩罚函数由一个标量参数灵活地实现非凸程度的调节，该标量参数标记为《> 〇.定义符号#C r;a)来表示非凸惩罚函数的参数化形式.满足以上假设的典型非凸惩罚函数有对数函数型（log)、有理分式函数型（m t)及反正切函数型（arctan)，如表1所示.这几类典型的参数化非凸惩罚函数#还具有如下特性：#"(0+ ; ^) =— a和# (X; 0) = |x |•绝对值凸函数和满足本节假设的典型非凸惩罚函数如图1所156西安电子科技大学学报（自然科学版)第45卷示.由图1中可以观察得到，反正切型（arctan)惩罚函数比其他两种惩罚函数的非凸性更强，可以更大限度的增强提取特征的稀疏性.表1绝对值凸函数与典型的非凸稀疏惩罚函数函数类型 ^(x;a)ip(x)=x/j>f(x;a.)绝对值函数(abs) |x ||x |对数函数（log.)log(1 +a |x |)/a|x |(1 +a |x |)有理分式函数（rat)|x |/( 1 +a |x |/泛)|x |(1 +a |x |/2)2a\x\.)/31 ^^ —k/6 j|x|(l+a|x|+a2 |x|2)反正切函数（arctan.)^ 2/(a X 31 ^^ | tan 1^ ( 1-\-22周期重叠簇稀疏信号优化特征提取算法针对旋转机械的核心零部件在发生故障时常伴随周斯性非平I1急冲击特征的先验知识.研究一种高效的 周斯重叠簇稀疏(POGS)信号优化特征提取算法.PO G S算法具体包括优化问题的构造、凸函数约束条件和 快速收敛算法推导.2.1 POGS算法优化问题的构造PO G S算法构造如下的无约束优化问题：x =arg min|P(jr.)=备||夕一J f |^((Kit ,b,n) -,a) |, (2)ieRN l Z" i其中•尸为优化问题的目标函数J e r n.为观测得到的含噪信为二进制的序列6 =Ae (0，1丨；惩罚函数卜R^R•满足1.2节中定义的假设条件.P O G S算法优化问题在惩钮函数作用的对象中创造性地引人二进制权重序列6,实现了稀疏特征结构的灵活性刻画[f i\具体地•是一个具有二进权重数据块的欧几里得范数K范数），该数据块包含K个相邻的信号点，可表示为K—1d(x，b，n) =[ ^^k x l+k ] •(3)L k=02.2凸函数约束条件通过询节非凸惩罚函数的非凸程度，可以保证P O G S算法优化问题目标函数整体仍然为凸函数.其理 论依据为：数据保真度项为凸的二次项（目标函数P中的第1项），因此适当地约束非凸惩罚函数$的非凸程 度*可以保证S标函数P整体为凸函数，I标函数P为凸函数可以保证用迭代收敛算法求解时，所得到的结 巣.不会受陷*籍部最优解.定理1设式（2)中PO G S算法所构造的优化问题在一个二进制序列中有=1； ^个非零权重f:且非k凸惩罚函数#•，《)中的非凸可控化参数《在满足约束条件a/cK^)<4>时.则目标函数p是严格凸的M.2. 3 POGS算法快速收敛求解算法为求解P O G S算法构造的优化问题，引人优控极小化方法<M M)求解所构造的自，标函数，并提出了高效 的迭代收敛数值算法w.由于可以约束所构造的优化问题为凸，所提出的迭代优化算法最终收敛于凸优化问 题的全局最优解，这样可以避免非凸优化问题受困节局部最优解的难题.其中.P O G S算法的正则化参数的 取值，可根据噪声标准差大小进行设置[fi].为了最大化地增强提取特征的稀疏性，非凸可控化参数《在满足 约束式(4)的条件下取最大值进行设亶：..POGS；#解雜法归纳如下s输人：3* €R'e.初始化：x =y，S=[».: _v… # 0}.第2期贺王鹏等：机械故障诊断的稀疏特征提取方法157对n 6 S ，执行循环：K -1(1) 厂"=2、bk/<p (d (x ，b ，7i — k 、)、•k =Q (2) x n =y j (1 + Ar…).(3) S = | ?z ： | x n |e |.直至收敛.输出：X .3仿真信号分析为了验证文中研究的PO G S 算法在周期性稀疏故障特征提取中的有效性，模拟了一组周期性冲击信号 特征，并添加高斯白噪声用于模拟背景干扰噪声.仿真信号表达式为y (t ) = exp (—50^) sin (27i X 50^) + ?i(t) . (5)仿真的周期性冲击信号及含噪信号波形分别如图2(a )和图2 (b )所示，其中采样频率/s= 1 000 H z ，信 号长度为2Q48个点，噪声的标准差a = 0.33.可以观察到，在原始信号中模拟的周期性瞬态冲击分量被强大 的背景噪声所淹没.为定量地分析P O G S 算法在提取周期稀疏特征方面的有效性，选用均方根误差（Root - Mean-Square E rr 〇r ，RM SE ) 和信噪比 （Signal -t 〇-N 〇ise R atio ，SNR ) 作为评价指标. 对于图 2(b) 中的仿真含 噪信号，其均方根误差为〇. 328,信噪比为一 6. 540 dB .图2 仿真信号波形图采用文中研究的PO G S 算法对该模拟含噪信号进行分析，其中正则化参数设置为A = 0. 152,算法迭代 次数为30, PO G S 算法稀疏特征提取结果及优化目标函数收敛特性分别如图3(a )和图3(b )所示.在提取得 到的稀疏特征波形图3(a )中，可以清晰地发现周期性冲击单元，其均方根误差为〇. 101，信噪比为3. 653 dB . 分析结果证明了所研究的PO G S 算法可以准确地恢复具有周期性稀疏特征的有用信号成分，最大限度地消 除了背景噪声的干扰.本例中所研究的PO G S 算法处理该仿真信号时运行时间仅为0.009 s ，完全满足工程 中对算法实时性的要求.测试软硬件为：联想Y 40笔记本，16G B 内存，Intel i 7-5500U 处理器，Matlab 2011.1.51.0I 0.5 0.0-0.5-1.0信每|比)93.653 dB上1 r 0.00.5 1.0t/s1.52.0(a )提取出的周期性稀疏特征(b )收敛曲线图3 POGS 算法稀疏特征提取结果及优化目标函数收敛图158西安电子科技大学学报（自然科学版)第45卷4实际信号验证为验证所研究的PO G S算法在机械故障特征提取中的有效性，这里将其应用于轴承故障振动信号分析 中.振动信号来源于机械故障预防协会（Machinery Failure Prevention Technology Society，M FP T S)的故障 模拟实验台，数据来源网址为h ttp://w w w.m fp /FaultData/FaultData.h tm.表2中列出了测试滚动轴 承的具体参数.输人轴的转频（驱动频率）为25H z.由表2可以计算得到轴承内圈故障特征频率为118. 9Hz nfi.表2测试滚动轴承具体参数节圆直径/cm滚动体直径/cm滚动体个数接触角/〇3. 1620. 59780图4所示为采集的轴承内圈故障振动信号时域波形图，该信号的采样频率和采样长度分别为48. 828 k H z与9765点.采用文中研究的PO G S稀疏优化算法对该含噪振动信号进行分析，正则化参数A与 噪声标准差大小c成比例.本节中，针对实际测量得到的信号，背景噪声的标准差c可表示为a =medianC\y\)/〇. 674 5 ，(6)其中，median( •)为取中值函数.式（6)为文献[6]提出，并且已经在小波降噪等研究中得到了广泛的应用. 利用式（6)估计得到的背景噪声标准差大小a=0. 729，设置正则化参数A =0. 273 4.P O G S稀疏特征提取结 果如图5所示，在提取得到的特征波形图中，可以清晰地发现周期性冲击单元.冲击单元间隔对应的频率与 内圈故障特征频率（118. 9H z)相一致.5结束语文中研究了机械故障信号的周期重叠簇稀疏（POGS)特征提取算法.P O G S算法能够有效地从时域含 噪信号中提取出具有周期簇稀疏结构的故障特征.PO G S算法构造了有效的优化目标函数，该目标函数中的 正则项（惩罚函数)选用非凸惩罚函数来增强周期性特征的稀疏性，并且证明了非凸可控化参数在满足一定 约束条件下可以保证目标函数整体为凸.为求解PO G S算法所构造的目标函数，引人优控极小化方法，推导 出高效的迭代收敛数值算法，该快速求解算法最终收敛于P O G S算法优化问题的全局最优解.将所提出的 PO G S算法应用于仿真信号，通过R M S E和S N R指标定量地分析了其有效性.最后将PO G S算法应用于轴 承故障特征提取中，进一步验证其在稀疏故障特征提取中的优越性.参考文献：[1] SMITH W A, RANDALL R B. Rolling Element Bearing Diagnostics Using the Case Western Reserve University Data：a Benchmark Study[J] .Mechanical Systems and Signal Processing, 2015 ,64/65 ：100-131.[2] SHAO H D, JIANG H K, ZH AO H W, et al. A Novel Deep Autoencoder Feature Learning Method for RotatingMachinery Fault Diagnosis [J] .Mechanical Systems and Signal Processing, 2017, 187-204.第2期贺王鹏等：机械故障诊断的稀疏特征提取方法159 [3]贺王鹏，訾艳阳，陈彬强.冲击特征受控极小化通用稀疏表示及其在机械故障诊断中的应用Q J].西安交通大学学报2016, 50(4)：94-99.HK Wangpcng，ZI Yanyang, CHP'N Binqiang. Majorizaiton Minimization Oriented Sparse Optimization Method for Feature Extraction Technique in Machinery Fault Diagnosis [J] ■Journal of X i5 an Jiaotong University, 2016, 50 (4): 94-99.[4]王勇，冯唐智，陈楚楚，等.结合自适应稀疏表示和全变分约束的图像重建[J].西安电子科技大学学报，2016, 43(1 ):12-18.W AN G Y ong，FENG Tangzhi，CHKN Chuchu, ct al. Adaptive Sparse Representation and Total Variation Constraint Based Image Reconstruction [J] . Journal of Xidian University, 2016, 43( 1 ) ：12-18.[5] CUI L I" W U N，M A C Q，ct al. Quantitative Fault 八nalysis of Roller Bearings Based on a Novel Matching PursuitMethod with a New Step-impulse Dictionary [J] . Mechanical Systems and Signal Processing, 2016，68/69 ：34-43.[6] H E W P，DING Y，ZI Y Y，ct al ■Sparsity-basccJ 八lgorithm for Detecting Faults in Rotating Machines [J] ■MechanicalSystems and Signal Processing, 2016，72/73 ：46-64 .[7] N IK O LOV八M，NG M K，T A M C P. Fast Nonconvcx Nonsmooth Minimization Methods for Image Restoration andReconstruction [J] . IEEE Transactions on Image Processing，2010，19(12) ：3073-3088.[8] HE W P，DING Y，ZI Y Y，ct al. Repetitive Transients Extraction 八lgorithm for Detecting Bearing Faults [J] •Mechanical Systems and Signal Processing, 2017，84 ：227-244 .[9] FIGUEIREDO M 八T，BK)UCAS-I)I八S J M，NOW AK R「）•Majorization-minimization 八lgorithms for Wavelet-basedImage Restoration [J] . Transactions on Image Processing, 2007, 16(12) ：2980-2991.[10] HE W P，Z I Y Y，CHEN B Q, ct al ■八uto mat i c Fault Feature Extraction of Mechanical 八n omaly on Induction MotorBearing Using Ensemble Super-wavelet Transform[J^| . Mechanical Systems and Signal Processing, 2015，54：457-480.(编辑：齐淑娟）(上接第页）[10]邵鹏，邢孟道，李学仕，等.一种新的频域带宽合成的斜视高分辨S A R成像方法[J].西安电子科技大学学报，2015,42(2) ：28-33.SH A O Peng，XING Mengdao，LI Xueshi，ct al. Squinted High Resolution S八R Based on the Frequency Synthetic Bandwidth [J] . Journal of Xidian University, 2015, 42(2): 28-33.[11]景国彬，盛佳恋，陈派来，等.一种强杂波背景下S A R目标超分辨成像方法□].西安电子科技大学学报，2016,43(5) ：12-17.JING Guobin, SHENG Jialian，CHEN Jianlai，ct al_ Spucr-rcsolution Imaging Method for the S八R Target in a Strong Clutter Sccnc[J] . Journal of Xidian University, 2016, 43(5) ：12-17.[12] XU G, XING M I)，ZH AN G L，ct al. Robust 八utofocusing 八pproach for Highly Squinted SAR Imagery Using theExtended Wavenumber Algorithm C J^| . Transactions on Geoscience and Remote Sensing, 2013，51 (10)：5031-5046.[13]景国彬，张云骥，孙光才，等.一种三维地面场景S A R回波仿真的快速实现方法□].西安电子科技大学学报，2017,44(3) ：1-7.JING Guobin, ZH AN G Yunji，SUN Guangcai，ct al. Fast Method of S八R Echo Simulation for Three-dimensional Ground Scene [J] . Journal of Xidian University, 2017，4 4(3) ：1-7.[14] SH A O P，Xing M I)，Xia X G，ct al■八utofocus 八lgorithm Using Blind Homomorphic Deconvolution for Synthetic八perture Radar Imaging[J] . IET Radar，Sonar and Navigation，2015，9(7) : 900-906.(编辑：郭华）。
- 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)。
9
整理ppt
统计指标的运用注意
以上的各种统计指标，在故障诊断中不能孤立的看， 需要相互映证。同时还要注意和历史数据进行比较，根据 趋势曲线作出判别。
在流程生产工业中，往往有这样的情况，当发现设备 的情况不好，某项或多项特征指标上升，但设备不能停产 检修，只能让设备带病运行。当这些指标从峰值跌落时， 往往预示某个零件已经损坏，若这些指标（含其它指标） 再次上升，则预示大的设备故障将要发生。
信号分析技术包含了许多种信号分析方法，各种分析方法 都有其适应的范围。评定某个分析方法是否适用于机械故障诊 断，只有一个标准——简洁实用。简洁指该分析方法所依据的 数学基础清晰易懂，实用指用该分析方法所获取的信号特征能 作出明确、合理、有效的解释。
2
整理ppt
4．1 信号特征的时域提取方法
• 4．1．1 平均值
满足以上条件，其叠加的波形便不
是方波。即使所有信号都是周期信
号，只有当各信号的频率比是整数，
其叠加合成信号才表现出周期性特
图4—1 信号的时频关系
征。否则看不到周期性特征。这就是我们明知设备的状态信号都是强
迫周期信号，却很少在波形上看到周期性特征的原因。
12
整理ppt
关于频谱图的说明
富里叶变换提供了从另一个角度观察信号的数学工 具——把信号投影到横坐标轴是频率f的频域。在这个观 察面上，我们可以看到信号由哪些正余弦波组成：图像以 两部分组成：幅—频图；相—频图。幅—频图中，棒线在 频率轴上的位置表示该信号分量的频率，棒线的长度表示 该信号分量的振幅。在相—频图中，棒线的长度表示该信 号分量的初相位。这两个频域的图像在专业的领域称为— —频谱图。
3
整理ppt
• 4．1．2 均方值、有效值
均方值与有效值用于描述振动信号的能量。
均方X值r2ms
1 N
N i1
xi2(t)
有效值Xrms又称均方根值，是机械故障诊断系统中用 于判别运转状态是否正常的重要指标。因为有效值Xrms描 述振动信号的能量，稳定性、重复性好，因而当这项指标
超出正常值（故障判定限）较多时，可以肯定机械存在故
8
整理ppt
• 4．1．7 峭度指标
峭度指标Cq反映振动信号中的冲击特征。
峭度指标CCqq
1 N
N
( xi x)4
i1
X4 rms
峭度指标Cq对信号中的冲击特征很敏感，正常情况下 应该其值在3左右，如果这个值接近4或超过4，则说明机
械的运动状况中存在冲击性振动。一般情况下是间隙过大、
滑动副表面存在破碎等原因。
峰值指标IpI p
Xp X rms
峰值指标Ip和脉冲指标Cf都是用来检测信号中是否存 在冲击的统计指标。
5
整理ppt
• 4．1．4 脉冲指标
脉冲指标Cf
Cf
Xp X
脉冲指标Cf和峰值指标Ip都是用来检测信号中是否存 在冲击的统计指标。由于峰值Xp的稳定性不好，对冲击的
敏感度也较差，因此在故障诊断系统中逐步应用减少，被
若歪度指标变化不大，有效值Xrms与平均值的比值增 大，说明由于磨损导致间隙增大，因而振动的能量指标— —有效值Xrm比平均值增加快，其裕度指标Ce也增大了。
7
整理ppt
• 4．1．6 歪度指标
歪度指标Cw反映振动信号的非对称性。
歪度指标Cw
Cw
1 N
N
( xi x)3
i1
X3 rms
除有急回特性的机械设备外，由于存在着某一方向的 摩擦或碰撞，造成振动波性的不对称，使歪度指标Cw增大。
平均值描述信号的稳定分量，又称直流分量。
X
1 N
N i1
xi (t)
在平均值用于使用涡流传感器的故障诊断系统中。当 把一个涡流传感器安装于轴瓦的底部（或顶部），其初始 安装间隙构成了初始信号平均值——初始直流电压分量， 在机械运转过程中，由于轴心位置的变动，产生轴心位置 的振动信号。这个振动信号的平均值即轴心位置的平均值。 经过一段时间后，轴心位置平均值与初始信号平均值的差 值，说明了轴瓦的磨损量。
10
整理ppt
4．2 信号特征的频域提取方法
上一节的时域统计特征指标只能反映机械设 备的总体运转状态是否正常，因而在设备故障诊 断系统中用于故障监测，趋势预报。要知道故障 的部位、故障的类型就需要进一步的做精密分析。 在这方面频谱分析是一个重要的、最常用的分析 方法。
11
整理ppt
• 4．2．1 频域分析与时域信号的关系
1
第四章 信号特征提取——信整理ppt 号分析技 术
通过信号测取技术将机械设备的运行状态转变为一系列的 波形曲线——A（t）、B（t）等，通过A/D 变换转化成离散的 数字曲线序列——A（i）、B（i）等。由于运转的机械设备中 存在多个振动源，这些振动信号在传输路上又受到传输通道特 性的影响，当它们混杂在一起被传感器转换成波形曲线时，呈 显出混乱无规律的形态。因此需要从中进行识别——信号特征 的提取。
障隐患或故障。
若有效值Xrms的物理参数是速度（mm/s），就成为用
于判定机械状态等级的振动烈度指标。
4
整理ppt
• 4．1．3 峰值、峰值指标
通常峰值Xp是指振动波形的单峰最大值。由于它是一 个时不稳参数，不同的时刻变动很大。因此，在机械故障 诊断系统中采取如下方式以提高峰值指标的稳定性：在一 个信号样本的总长中，找出绝对值最大的10个数，用这10 个数的算术平均值作为峰值Xp。
峭度指标所取代。
6
整理ppt
• 4．1．5 裕度指标
裕度指标Ce用于检测机械设备的磨损情况。
裕度指标Ce
Ce
X rms X
在不存在摩擦碰撞的情况下，即歪度指标变化不大的 条件下。以加速度、速度为测量传感器的系统，其平均值 反映了测量系统的温飘、时飘等参数变化。使用涡流传感 器的故障诊断系统的平均值则与磨损量有关。
平稳定转速运转的机械设备，无论有多少个振动源，其产 生的振动信号都是与转速相关的强迫振动信号，也是周期性信 号。站在这个基础上，可以认定：凡是与转速相关的信号属于 设备运转状态信号，与转速无关的信号属于工艺参数信号、结 构参数信号、电气参数信号。结构参数信号、电气参数信号仍 属于故障诊断范围，但不在机械故障诊断范围内。
图4—1描述了信号的时域与频
域关系。信号是由多个正弦波组成，
频率比为：1∶3∶5∶7…，幅值比
为：1∶ ∶ ∶ …，信号之间无相位
差。我们在时间域观察这些信号——
横坐标轴是时间t，就如这些信号叠
加起来，其合成结果投影到时域平
面上，于是我们看到了方波信号。
需要注意的是பைடு நூலகம்果在频率比、幅值
比、相位差这三个方面有任一个不