滚动轴承故障信号提取方法的研究
滚动轴承故障的智能诊断方法研究
• 26•针对滚动轴承故障声发射信号的智能识别与诊断问题，提出了一种基于卷积神经网络（Convolutional Neural Networ ks ，CNN ）智能化故障诊断方法。
该方法充分利用声发射信号参数中包含的时域和频域特征信息，构建CNN 模型充分挖掘出滚动轴承处于不同运行状态下的声发射信号特征，并给出故障诊断结果。
实验结果表明，CNN 模型方法对滚动轴承正常、外圈及内圈故障识别准确率可达97.2%以上，证明了该方法的准确性和实际工程价值。
1.引言旋转机械被广泛的应用在生产制造中，滚动轴承是旋转机械的重要组成部件，同时也是最容易损坏与失效的机械零件之一（喻洋洋，周凤星，严保康，基于LabVIEW 的滚动轴承故障诊断系统：仪表技术与传感器，2016）。
声发射检测技术是一种动态无损检测方能诊断学与工程学法，可实现缺陷萌生及扩展过程的在线检测。
将声发射检测技术应用于滚动轴承故障的诊断任务中，不仅可以检测出早期微弱故障及故障类型（郝如江，卢文秀，褚福嘉，等.声发射检测技术用于滚动轴承故障诊断的研究综述：振动与冲击，2008），还可以判断出故障损伤程度。
目前基于声发射检测技术的旋转机械设备故障诊断分析技术，如参数分析、波形分析等方法已经无法满足当前旋转机械连续生产工作中的故障监测任务（沈功田，耿荣生，刘时风，声发射信号的参数分析方法：无损检测，2002）。
赵元喜等人（赵元喜，胥永刚，高立新，等.基于谐波小波包和BP 神经网络的滚动轴承声发射故障模式识别技术：振动与冲击，2010）采用谐波小波包将故障滚动轴承的声发射信号分解到多个频率段并求取各频段的能量，作为特征向量输入BP 神经网络，通过BP 网络模型判别滚动轴承的故障类型。
杨杰等（杨杰，张鹏林，刘志涛，等.基于CEEMD 能量熵与SVM 的低速轴承故障声发射诊断：无损检测，2017）提出了一种采用CEEMD 能量熵提取特征后再利用支持向量机神经网络进行诊断的方法。
滚动轴承的故障诊断方法研究
滚动轴承的故障诊断⽅法研究滚动轴承的故障诊断⽅法研究第1章绪论1.1研究的⽬的和意义滚动轴承是⽣产机械中的地位⽆可替代，当然也最易损坏的部件。
其运⾏状态会直接影响整台机械⼯作效率、精度寿命和可靠性。
滚动轴承的损坏会导致⽣产机械剧烈振动，并伴有强⼤噪声，不仅会影响产品的加⼯质量，严重时会导致⽣产机械的损坏或机械事故。
随着电机的⼴泛应⽤及其⾃动化程度的不断提⾼，对其安全性、精度和故障诊断的准确性的要求也随之提⾼。
传统的诊断⽅法不仅成本较⾼、准确率偏低，并且更新费⽤⾼，已然不能满⾜⾼科技设备的需求。
基于以上原因，本⽂在虚拟仪器的环境下，利⽤多传感器信息融合技术，实现滚动轴承的故障诊断，会对现在和将来的⽣产技术提供强有⼒的帮助。
1.2国内外电机滚动轴承故障诊断的研究现状近现代以来，国内和国外的研究机构及学者在电机滚动轴承故障诊断的理论、技术与⽅法等⽅⾯进⾏了⼤量的研究分析⼯作，发表了诸多研究成果。
在国外，美国南卡罗林娜⼤学运⽤振动响应的多参数多频率的⽅法，对具有裂纹的和损伤的故障轴承进⾏诊断，⽬前已经取得了良好的成果。
美国宾州⼤学采⽤alpha beta -gamma跟踪滤波器和Kalman滤波器，对轴承故障的智能预⽰实现了完美成功。
⽇本九州⼯业⼤学运⽤基因算法优化组合特征参数，成功诊断出⼯况滚动轴承微弱故障。
意⼤利的Cassino⼤学，使⽤⾃谱技术对出现的轴承进⾏检测，判断故障轴承的初始问题，到⽬前为⽌也取得了有效的研究成果。
国外的这些技术有我们值得借鉴的地⽅，去其糟粕取其精华，研究更有技术的故障轴承诊断系统。
在国内，当滚动轴承存在故障时，⼤都以振动检测为主，因为轴承故障后常伴随巨⼤的声响，以及明显的外观表现。
国内的主要研究成果如下图所⽰。
或⾃⾝故障等多个⽅⾯的原因，会对故障造成误判或错判，如:声级计传感器易受到噪声的⼲扰，不能准确、⽆失真的反映滚动轴承的真实信号，温度传感器由于易受到外界温度的⼲扰，也常会出现误判或者错判等等。
基于形态滤波优化算法的滚动轴承故障特征提取方法
进 行着 探索 性 的研 究 。杨宇 、 王 欢欢 等 人 提 出 了一 种基于 Ｌ ＭＤ 的包 络 谱 特 征值 的滚 动 轴 承故 障诊 断 方法 ， 然 后再 通过 支持 向量 机分 类器 ， 区分 了故 障类
型 和工作 状 态 ， 很 好 的验 证 了其 方 法 的有 效 性 ；
纪８ ０年 代初 创 立 的 ， 它 又 具有 非 常有 效 的非 线 性 、
非 平稳 滤 波技术 ， 在 故 障诊 断 领 域具 有 良好 的应 用
前 景 。近年 来 ， 很 多 学 者 对 上述 两种 方 法 正 在 不 断
械振动信号降噪的新方法 ， 也就是数学形态滤波器 ， 得 到 了很 好 的滤波 效 果 ； 李 兵 等 人 将 自适 应 多 尺 度形 态梯 度变 换 的方法应 用 于滚 动轴 承故 障特征 的 提取 之 中， 具 有 更 强 的 噪 声 抑 制 和 脉 冲 提 取 能 力 。但是 对 于采 用 Ｌ ＭＤ和 形 态 滤 波相 结 合 的方 法却 鲜见 报道 。 现拟 采用一 种 Ｌ ＭＤ与 自适 应 多 结 构 元 素 多 尺 寸差值 形态 滤波 器相 结合 的方 法应 用 于滚动轴 承 故 障诊断中。先将原始故障信号通过局部均值分解得 到若 干 Ｐ Ｆ分量 ， 然后 采 用 峭 度 准则 ， 选 取 峭 度 值最 大的 Ｐ Ｆ分 量 ， 再 将 其 经 过 自适 应 多结 构 元 素 多尺 寸差值 形态 滤波 器 进 行 滤 波解 调 ， 最 后 将 解 调 结果 进 行频 谱分 析 ， 从 而有 效地 提取 故 障特征 。
２ ０ １ ３年 ９月 ２日收到 第一作者 简介 ： 朱平 岗 （ １ ９ ６ ５ 一） ， 男， 博士 ， 教授， 硕 士研究生 导师 ，
滚动轴承和齿轮振动信号分析与故障诊断方法
滚动轴承和齿轮振动信号分析与故障诊断方法目录一、内容综述 (2)二、滚动轴承振动信号分析 (3)1. 滚动轴承工作原理及结构特点 (4)2. 振动信号产生机制 (5)3. 振动信号采集与处理 (6)三、齿轮振动信号分析 (7)1. 齿轮工作原理及故障类型 (8)2. 振动信号特征提取 (10)3. 齿轮故障识别与诊断 (11)四、滚动轴承与齿轮振动信号分析方法 (12)1. 时域分析 (13)2. 频域分析 (14)3. 时频域联合分析 (16)五、故障诊断方法 (17)1. 基于振动信号特征的故障诊断 (18)2. 基于模型的故障诊断 (20)3. 基于智能算法的故障诊断 (21)六、实验与应用实例 (22)1. 实验设计 (24)2. 实验结果与分析 (25)3. 应用实例介绍 (26)七、结论与展望 (28)1. 研究结论 (29)2. 展望未来发展趋势 (29)一、内容综述本文档旨在全面阐述滚动轴承和齿轮振动信号分析与故障诊断方法的研究现状、发展趋势及其重要性。
随着工业领域的快速发展，滚动轴承和齿轮作为机械设备中的关键部件，其运行状态的正常与否直接关系到整个系统的稳定性和效率。
针对滚动轴承和齿轮的振动信号分析以及故障诊断方法的研究具有极其重要的实际意义。
滚动轴承和齿轮的故障诊断主要依赖于振动信号分析，通过对振动信号的特征提取和模式识别，实现对设备状态的实时监测和故障诊断。
随着信号处理技术和人工智能技术的不断进步，滚动轴承和齿轮振动信号分析的方法日趋成熟，为设备的故障诊断提供了有力的技术支持。
本文首先概述了滚动轴承和齿轮的基本结构、工作原理及其在机械设备中的重要地位。
然后重点介绍了振动信号分析的基本原理和方法，包括信号采集、特征提取、模式识别等关键环节。
接着详细阐述了基于振动信号的故障诊断方法，包括传统方法如频谱分析、包络分析等，以及近年来新兴的基于机器学习和深度学习的诊断方法。
对滚动轴承和齿轮振动信号分析与故障诊断方法的未来发展趋势进行了展望。
基于最优小波基的轴承故障状态特征提取方法研究
２ 小 波 降 噪 原 理
对 信 号去 噪实质 上 是 抑 制信 号 中的 无用 部 分 ， 增
强信号中有用部分的过程。信号的性质可以用它的小
波系数 来 刻 画 ， 波 系 数 较 大 者 ， 载 的 信 号 能 量 较 小 携 多 ， 波 系数 较小 者携 载 的信号能 量较 少 ， 小 因此可用 携 载能量 的多少 作 为衡 量 小 波 系 数 在 信 号 中的权 重 大
ｏ ａ ｘｒ ｃ ａ ｅ ｔ ｒ ｅ ｅ ｃ ｆｅ ｉ ｇ Ｈｉｂ ｎ ｒ ｎ ｆｒ ｏ ｈ ｏ ｓ ｅ ｕ ｔｏ ｉｎ ｌｗｉ ｈ ｄ ｃ ｎ ｅ ｔａ ｔｆｕｈ ｆ ａｕ ｅ ｆ ｑｕ ｎ ｙ ａ ｒｄｏｎ ｌ ｅ ｔａ ｓｏ ｍ ｎ ｔｅ ｎ ｉｅ ｒ ｄ ｃｉ ｎ ｓｇ ａ ｔ ｔ ｅ ｒ ｔ ｈ ｏ ｉ ｌｗａ ｅｅ ａ ｉ． ｐｔ ｍａ ｖ ｌ ｔｂ ｓｓ
小波分析方法 。程军圣等针对滚动轴承故 障信 号
的特 点 ， 造脉 冲响应 小波 ， 构 采用 连续 小波 变换 的方法
来提 取滚 动 轴 承 故 障振 动 信 号 的 特 征 。 以上 方 法 均足 基 于小波 分解进 行故 障特征 提取 ， 在此 过程 中， 小 波 基的选 择是 任意 的 ， 小波基 函数 具有 不唯一 性 ， 而 使
轴承发生早期故障时， 会产生冲击 ， 但这种局部突 变信号很微弱， 常被淹没在正常信号 中， 用传统 的傅里
叶变换方 法 很 难 识 别 。小 波 分 析 作 为 新 兴 的数 学 分 支， 是一 种全新 概念 的 、 变分 辨 率 的 时频 分 析 方 法 ， 即
基于时域和频域分析的滚动轴承故障诊断
基于时域和频域分析的滚动轴承故障诊断一、本文概述随着工业技术的不断发展，滚动轴承作为旋转机械中的关键部件，其运行状态直接影响到设备的性能与安全性。
然而，由于工作环境的恶劣、长时间运行以及维护不当等因素，滚动轴承常常会出现各种故障，如疲劳剥落、磨损、裂纹等。
这些故障不仅会降低设备的运行效率，还可能引发严重的安全事故。
因此，对滚动轴承进行故障诊断技术的研究具有重要意义。
本文旨在探讨基于时域和频域分析的滚动轴承故障诊断方法。
文章将简要介绍滚动轴承的工作原理及其常见故障类型，为后续的分析和诊断奠定基础。
然后，重点阐述时域分析和频域分析的基本原理及其在滚动轴承故障诊断中的应用。
时域分析主要关注轴承振动信号的时序特征，通过提取信号中的幅值、相位、频率等信息，揭示轴承的运行状态。
而频域分析则通过对信号进行频谱转换，分析轴承在不同频率下的振动特性，进一步识别潜在的故障特征。
通过结合时域和频域分析，本文旨在提供一种全面、有效的滚动轴承故障诊断方法。
这种方法不仅能够准确识别轴承的故障类型，还能对故障程度进行定量评估，为设备的维护和管理提供有力支持。
本文还将对现有的故障诊断方法进行比较和评价，探讨各种方法的优缺点及适用范围，为相关领域的研究和实践提供参考和借鉴。
二、滚动轴承故障类型及原因滚动轴承作为机械设备中的重要组成部分，其运行状态直接影响到整个设备的性能和稳定性。
因此，对滚动轴承的故障诊断至关重要。
滚动轴承的故障类型多种多样，主要包括疲劳剥落、磨损、腐蚀、裂纹和塑性变形等。
这些故障的产生往往与多种因素有关，如材料质量、制造工艺、运行环境、操作维护等。
疲劳剥落是滚动轴承最常见的故障类型之一，主要是由于轴承在循环应力作用下，材料表面发生疲劳破坏，形成剥落坑。
疲劳剥落的原因主要包括轴承材料的疲劳强度不足、循环应力过大、润滑不良等。
磨损是轴承在运行过程中，由于摩擦力的作用导致材料逐渐损失的现象。
磨损的原因主要包括润滑不良、异物侵入、材料耐磨性不足等。
滚动轴承振动信号处理及特征提取方法研究共3篇
滚动轴承振动信号处理及特征提取方法研究共3篇滚动轴承振动信号处理及特征提取方法研究1滚动轴承振动信号处理及特征提取方法研究随着工业自动化的推进和智能化的发展，机械设备的使用率越来越高，滚动轴承作为最常用的机械元件之一，其使用寿命的长短直接关系到整个机械设备的寿命。
如果能够在使用前预测轴承故障的发生，及时进行维护，就可以极大地提高设备的可靠性和使用寿命。
因此，如何对滚动轴承进行振动信号处理及特征提取成为了机械故障预测领域的热门研究方向。
滚动轴承的振动信号可以通过加速度、速度、位移等参数来表征。
振动信号处理的基本内容包括数据采集、滤波、去噪、分析和特征提取等步骤。
数据采集是为了获取原始振动信号，通常使用加速度传感器将振动信号转换成电信号采集下来。
然后对采集到的振动信号进行滤波和去噪处理来消除环境噪声和其他信号干扰，以便于分析和提取轴承特征信息。
在分析振动信号时，需要从几个方面入手。
首先是时域分析，通过对振动信号的时间序列进行统计分析，可以得到均值、方差、峰值、波形等信息。
其次是频域分析，可以将时域信号转化为频域信号来分析频率分布特征。
最后是时频域分析，可以将振动信号拆分成多个小时间段，然后在每个时间段内进行频域分析，进一步揭示振动信号的时变特性。
特征提取是对振动信号分析的最核心步骤。
特征提取旨在从振动信号中提取出对轴承状态诊断有意义的特征量，以实现机械设备健康状态的检测和故障诊断。
目前常用的特征量包括时域特征、频域特征、时频域特征等。
时域特征包括均值、方差、峰值、脉冲因子、裕度因子等；频域特征包括能量、均值频率、频率幅值、谱峰等；时频域特征包括小波包能量特征、小波包熵特征与小波包谱能量特征等。
总之，滚动轴承的振动信号处理及特征提取是机械预测维护的重要内容，其研究对于提高机械设备的可靠性和使用寿命具有重要的意义。
未来，随着新技术的不断引入和发展，机械故障诊断和维护模式也将不断升级，从而为滚动轴承振动信号处理及特征提取的研究提供更加广泛和多样化的应用场景滚动轴承是工业生产中不可或缺的机械零件，但其长期运行可能会受到各种因素的干扰而导致故障，因此开展振动信号处理及特征提取研究对于机械设备的预测维护具有重要的意义。
滚动轴承故障诊断文献综述
滚动轴承故障诊断文献综述滚动轴承故障诊断文献综述[ 2008-4-2 14:38:00 | By: mp2 ]推荐文献综述——滚动轴承故障诊断1.前言滚动轴承是各种旋转机械中应用最广泛的一种通用机械零件，它是机器最易损坏的零件之一。
据统计。
旋转机械的故障有30,是由轴承引起的。
可见轴承的好坏对机器的工作状况影响很大。
轴承故障诊断就是要通过对能够反映轴承工作状态的信号的测取，分析与处理，来识别轴承的状态。
包括以下几个环节:信[1]号测取;特征提取;状态识别:故障诊断;决策干预。
滚动轴承故障诊断传统的分析方法有冲击脉冲法，共振解调法，倒频谱分析技术。
在现代分析方法中，小波分析是最近几年才出现井得以应用和发展的一种时—频信号分析方法。
它具有时域和频域的局部化和可变时频窗的特点(用它分析非平稳信号比传统的傅里叶分析更为最著。
由于滚动轴承的故障信号中禽有非稳态成分，所以刚小波分析来处理其振动信号(可望获得更为有效的诊断特征信息[2]。
滚动轴承故障的智能诊断技术就是把神经网络、专家系统、模糊理论等技术与滚动轴承的特征参数有机地结合起来进行综合分析的故障诊断技术。
2.故障信号诊断方法2.1冲击脉冲法(spm)SPM技术(Shock Pulse Method)，是在滚动轴承运转中，当滚动体接触到内外道面的缺陷区时，会产生低频冲击作用，所产生的冲击脉冲信号，会激起SPM 传感器的共振，共振波形一般为20kHz,60kHz，包含了低频冲击和随机干扰的幅值调制波，经过窄带滤波器和脉冲形成电路后，得到包含有高频和低频的脉冲序列。
SPM 方法是根据这一反映冲击力大小的脉冲序列来判断轴承状态的。
此种方法目前被公认为对诊断滚动轴承局部损伤故障工程实用性最强的。
此方法虽然克服了选择滤波中心频率和带宽的困难，但这种固定中心频率和带宽的方法也有其局限性，因为，一些研究结果表明，滚动轴承局部损伤故障所激起的结构共振频率并不是固定不变的，在故障的不同阶段可能激起不同结构的共振响应,而不同部位的故障(内、外圈、滚子)也会激起不同频率结构的共振响应。
关于滚动轴承故障检测的改进包络分析
关于滚动轴承故障检测的改进包络分析滚动轴承是机械设备中常见的零部件之一，其在运行过程中可能会出现故障，如滚动体磨损、局部过载、轴承失效等问题。
及早检测和诊断轴承故障，对延长设备的使用寿命、提高设备的可靠性和安全性具有重要意义。
目前，滚动轴承故障检测方法中的一种常用技术是包络分析。
包络分析是一种处理振动信号的方法，通过提取信号的包络谱来分析和诊断机械故障。
包络分析方法可以用于检测滚动轴承的故障，如滚动体磨损、局部过载等。
传统的包络分析方法存在一些不足之处。
传统的包络分析方法忽略了滚动体与内圈和外圈的相互作用对振动信号的影响。
事实上，滚动体和内外圈之间的相互作用会引起振动信号的变化，影响故障特征的提取。
传统的包络分析方法仅仅提取了振动信号的包络谱，对于故障的类型和严重程度无法进行细分和定量分析。
为了改进滚动轴承故障检测的包络分析方法，可以采取以下几种措施。
可以研究滚动体与内外圈之间的相互作用对振动信号的影响机理，并将其纳入到包络分析方法中。
这样可以更准确地提取滚动轴承的故障特征，提高故障检测的准确性和可靠性。
可以引入最大熵谱分析方法，提取振动信号的最大熵谱，从而实现对故障类型和严重程度的细分和定量分析。
最大熵谱分析方法是一种非参数估计方法，可以更准确地提取信号的谱特征，从而实现对故障的定量分析。
可以采用小波包分析方法，对振动信号进行小波包分解，提取不同尺度下的特征信号，从而进一步提高故障特征的提取精度和故障诊断的准确性。
改进的包络分析方法还可以结合其他故障检测技术，如频谱分析、时频分析等。
通过综合利用不同的检测方法，可以提高滚动轴承故障检测的准确性和可靠性。
可以引入机器学习和人工智能等技术，对大量的故障数据进行训练和学习，建立滚动轴承故障诊断模型，实现对滚动轴承故障的自动检测和诊断。
基于包络分析的轴承故障诊断方法
基于包络分析的轴承故障诊断方法一引言滚动轴承是回转机械中运用最广泛的关键部件，其运行状态的正常与否直接影响整个设备的性能。
一旦发生故障，不仅会影响整个设备的正常工作，直接或间接造成巨大的经济损失，而且危及人身安全，造成极为严重的后果。
在国民经济中，滚动轴承到的正常工作对生产、生活和交通运输等同样具有重要的意义。
因此其故障诊断具有非常重要的理论与实际研究价值。
滚动轴承的故障大多以局部缺陷的形式存在与轴承工作周期的早期，早期故障信息由于轻微，往往淹没在背景噪声中。
故障诊断技术迅猛发展，时频分析法、包络分析法、功率谱分析等是故障诊断的常用方法。
当所采集信号具有较强的调制信号时，常采用包络分析法。
二包络分析技术包络分析是故障诊断中最有效的方法之一。
它可以清楚地指示故障的位置以及严重程度。
包络分析法主要是通过选取有用的共振频率区，通过滤波、平移、变换，获得包含故障频率的低频包络信号，对此包络信号进行频谱分析即可诊断出故障，亦称包络解调。
包络调解把与故障有关的信号从高频调制信号中调解出来，从而避免与其他低频干扰的混淆，具有很高的诊断可靠性和灵敏度。
包络分析法的分析步骤是：1、比较正常与故障信号功率谱，找出差值最大点，作为截取频段的依据。
2、画出故障信号的频谱图，根据功率谱所截取的频段对频谱图进行滤波移位。
3、对所截取的信号幅值上翻倍、补零，长度变为两倍。
4、将复频域信号变换到时域。
5、将时域信号做傅立叶变换到频域。
6、提高频域分辨率，做细化谱。
三 工程运用从一轴承试验台上采集到两组信号，一组为正常信号，一组为故障未知的故障信号。
每一组信号包括两个通道，通道1采集轴承处的加速度信号，通道2采集脉冲信号。
采样频率为48000，采样长度为65536，即64K 。
经过测量，滚动体直径d = 7.12 mm ，轴承节径D = 38.5 mm ，滚动体数目：n=12，接触角：ϕ=0︒。
则根据故障轴承的频率计算公式可得： 外圈故障Hz D d nf BPFO r 9.48)0cos 5.3812.71(21012)cos 1(2=⨯-⨯⨯=-=ϕ， 内圈故障Hz D d nf BPFO r 1.71)0cos 5.3812.71(21012)cos 1(2=⨯+⨯⨯=+=ϕ， 滚珠故障Hz D d d Df FTF r 1.26])0cos 5.3812.7(1[12.72105.38])cos (1[222=⨯-⨯⨯⨯=-=ϕ， 保持架故障Hz D d f FTF r 01.4)0cos 5.3812.71(210)cos 1(2=⨯-⨯=-=ϕ 按照包络分析法的步骤，可得如下图：（a ） （b ） （c ）（d）（e）（f）（a）图为故障信号与正常信号的功率谱图，（b）为故障信号的傅立叶变换图，（c）为所截取的频段，（d）为对待分析信号频谱做逆傅里叶变换后得到的时域信号包络，（e）为根据时域信号得到的包络频谱图，（f）为最终希望得到的细化谱图。
基于ssae-svm的滚动轴承故障诊断方法研究
基于ssae-svm的滚动轴承故障诊断方法研究基于SSAE-SVM（Sparse Subspace Autoencoder-Support Vector Machine）的滚动轴承故障诊断方法是一种结合了稀疏子空间自编码器（SSAE）和支持向量机（SVM）的故障诊断技术。
该方法旨在通过对滚动轴承振动信号进行特征提取和分类，实现对轴承故障的准确诊断。
下面是基于SSAE-SVM的滚动轴承故障诊断方法的一般研究步骤：1. 数据采集和预处理：使用合适的传感器采集滚动轴承的振动信号，并进行预处理，如去除噪声、滤波和降采样等。
2. 特征提取：使用稀疏子空间自编码器（SSAE）对预处理后的振动信号进行特征提取。
SSAE 是一种无监督学习方法，可以自动学习数据中的潜在特征表示。
它通过逐层训练多个稀疏自编码器来构建一个深度神经网络，从而实现高效的特征提取。
3. 特征选择和降维：根据所提取的特征，使用适当的特征选择和降维方法，如主成分分析（PCA）或线性判别分析（LDA），选择最具有区分性和信息丰富度的特征。
4. 故障分类：使用支持向量机（SVM）或其他分类器对选定的特征进行训练和分类。
SVM 是一种监督学习方法，能够有效地进行二分类和多分类任务。
在训练阶段，使用已标记的故障数据和正常数据对SVM进行训练；在分类阶段，对新的未知样本进行分类，以判断轴承是否存在故障。
5. 性能评估：对所建立的故障诊断模型进行性能评估。
常用的评估指标包括准确率、召回率、精确度和F1分数等。
通过与实际故障数据进行比对和验证，评估方法的有效性和可靠性。
需要注意的是，实施基于SSAE-SVM的滚动轴承故障诊断方法需要适当的数据集和专业的机器学习知识。
此外，还应考虑诊断模型的泛化能力和实际应用的可行性。
因此，在具体研究中，还需要针对具体的滚动轴承故障场景和实际需求进行进一步的优化和改进。
多尺度排列熵方法及其在滚动轴承智能故障诊断中的应用研究
多尺度排列熵方法及其在滚动轴承智能故障诊断中的应用研究多尺度排列熵（Multiscale Permutation Entropy，MPE）方法是一种用于信号分析的非线性方法，可以用于提取信号的复杂度特征。
它基于排列熵的概念，通过将信号分解为不同尺度的子信号，并计算每个子信号的排列熵，得到一个多尺度的排列熵向量。
该方法可以有效地反映信号的非线性和复杂性，并且在时间序列分析、生物信号处理、金融市场预测等领域有广泛的应用。
在滚动轴承智能故障诊断中，MPE方法可以用于提取振动信号的复杂度特征，从而实现对滚动轴承的故障诊断。
具体地，可以将滚动轴承振动信号分解为不同尺度的子信号，并分别计算每个子信号的排列熵向量。
然后，将不同尺度的排列熵向量组合起来，形成一个多维特征向量，用于表示滚动轴承振动信号的复杂度特征。
最后，可以使用机器学习方法对特征向量进行分类，实现对滚动轴承的故障诊断。
MPE方法在滚动轴承智能故障诊断中的应用研究表明，该方法可以有效地提取滚动轴承振动信号的复杂度特征，并且具有较高的分类精度和鲁棒性。
因此，它可以作为一种有效的滚动轴承故障诊断方法，为滚动轴承的安全运行提供技术支持。
基于物理模型的滚动轴承故障诊断研究
基于物理模型的滚动轴承故障诊断研究滚动轴承是机械设备中常用的轴承类型之一，可以用于支撑旋转轴的运动，承受轴向和径向载荷以及提供精确的定位和导向。
由于滚动轴承的特殊结构和工作条件，其在使用过程中易受到各种故障的影响，如磨损、疲劳、裂纹等，这些故障会导致轴承失效，进而影响机械设备的正常运转和寿命，因此滚动轴承故障诊断显得尤为重要。
滚动轴承故障诊断一般包括信号采集、信号分析、特征提取、故障诊断等几个步骤，其中信号分析和特征提取是轴承故障诊断的关键步骤。
近年来，基于物理模型的滚动轴承故障诊断方法成为研究热点，其基本思路是建立物理方程，将轴承故障转化为物理信号变化，通过信号分析和特征提取，实现故障诊断。
一般来说，基于物理模型的滚动轴承故障诊断方法主要分为两类，一种是基于有限元分析的方法，另一种是基于理论分析的方法。
基于有限元分析的方法，是通过建立滚动轴承的有限元模型，得到轴承内部应力、变形等信息，将其转化为物理信号，然后通过信号分析和特征提取方法，获得轴承故障的信息。
该方法的优点在于可以准确地模拟轴承内部的物理过程，但其缺点也很明显，例如计算量大，模型的精度受制于诸多因素，且对于复杂的工况和轴承结构不太适用。
基于理论分析的方法，则是通过分析滚动轴承的工作原理和结构特点，建立起轴承工作过程的理论模型，从而得到轴承内部应力、变形等信息，然后通过信号分析和特征提取方法，获得轴承故障的信息。
该方法的优点在于计算易于实现，而且对于不同结构和工况的轴承都适用，但其缺点也很明显，例如在理论模型建立中需要对轴承的特性有较好的掌握，且理论模型的准确度受到其实验数据和假设的影响。
无论是基于有限元分析的方法还是基于理论分析的方法，在滚动轴承故障诊断中，信号分析和特征提取都是不可或缺的步骤。
信号分析一般包括时域分析、频域分析、小波分析等方法，其中频域分析是一种常用的方法。
在频域分析中，利用快速傅里叶变换（FFT）可以将时域信号转换为频域信号，并通过分析频率谱密度图，确定轴承故障所产生的特征频率和幅值，进而实现故障类型的识别。
《基于深度学习滚动轴承故障诊断算法研究》范文
《基于深度学习滚动轴承故障诊断算法研究》篇一一、引言滚动轴承作为旋转机械的重要部件，其故障诊断对于保障设备的正常运行具有重要意义。
随着深度学习技术的发展，越来越多的研究者开始探索其在滚动轴承故障诊断领域的应用。
本文旨在研究基于深度学习的滚动轴承故障诊断算法，以提高诊断的准确性和效率。
二、相关研究综述近年来，滚动轴承故障诊断的方法主要有传统的信号处理方法、基于模型的诊断方法和基于数据驱动的诊断方法。
其中，基于数据驱动的深度学习诊断方法因其在特征提取和分类方面的优异性能而备受关注。
目前，深度学习在滚动轴承故障诊断中的应用主要集中在卷积神经网络（CNN）和循环神经网络（RNN）等模型上。
这些模型可以有效地提取轴承振动信号中的时频域特征，提高故障诊断的准确率。
三、深度学习算法在滚动轴承故障诊断中的应用3.1 数据集与预处理本研究采用某大型企业提供的滚动轴承故障数据集。
首先，对原始振动信号进行降噪处理，以提高信号的信噪比。
然后，将处理后的信号划分为训练集和测试集，用于训练和验证深度学习模型。
3.2 模型构建与训练本研究采用卷积神经网络（CNN）作为主要的诊断模型。
在模型构建过程中，通过调整网络结构、卷积层数、滤波器数量等参数，以优化模型的性能。
在训练过程中，采用梯度下降算法对模型进行优化，以提高模型的诊断准确率。
3.3 特征提取与分类CNN模型可以自动提取轴承振动信号中的时频域特征。
通过训练，模型可以学习到不同故障类型对应的特征表示，从而实现故障分类。
在分类过程中，采用softmax函数对输出层进行归一化处理，以得到各故障类型的概率分布。
四、实验结果与分析4.1 实验设置实验采用十折交叉验证的方法，将数据集划分为十份，其中九份用于训练，一份用于测试。
重复该过程十次，以得到更可靠的实验结果。
实验环境为高性能计算机，配置了适当的深度学习框架和硬件资源。
4.2 实验结果实验结果表明，基于深度学习的滚动轴承故障诊断算法在各故障类型上的诊断准确率均有所提高。
滚动轴承故障诊断技术研究
滚动轴承故障诊断技术研究摘要: 滚动轴承是机器的易损件之一。
滚动轴承故障诊断的传统方法和现代方法有冲击脉冲法、共振解调法、小波分析法等。
滚动轴承诊断技术的发展方向为非线性理论、现代信号处理技术与智能诊断技术的融合、信号处理技术之间的相互融合。
关键词: 滚动轴承；故障诊断；冲击脉冲；共振解调技术；小波变换；遗传算法0 前言滚动轴承是机器的易损件之一,据不完全统计, 旋转机械的故障约有30%是因滚动轴承引起的, 由此可见滚动轴承故障诊断工作的重要性。
如何准确判断出它的末期故障是非常重要的, 可减少不必要的停机修理,延长设备的使用寿命, 避免事故停机。
滚动轴承在运转过程中可能会由于各种原因引起损坏, 如装配不当、润滑不良、水分和异物侵人、腐蚀和过载等。
即使在安装、润滑和使用维护都正常的情况下,经过一段时间运转,轴承也会出现疲劳剥落和磨损。
总之, 滚动轴承的故障原因是十分复杂的,因而对作为运转机械最重要件之一的轴承, 进行状态检测和故障诊断具有重要的实际意义, 这也是机械故障诊断领域的重点。
1 滚动轴承故障诊断技术的发展和现状1.1 国外发展概况国外对滚动轴承的监测与诊断开始于20 世纪60 年代。
至今为止的超过40 年的时间内, 随着科学技术的不断发展, 滚动轴承的诊断技术亦不断向前发展。
现在在工业发达国家, 滚动轴承工况监测与故障诊断技术己经实用化和商品化。
总的来说, 该技术的发展可以分为四个阶段。
第一阶段:利用通用的频谱分析仪诊断轴承故障。
20 世纪60 年代,由于快速傅里叶变换（FFT）技术的出现和发展，振动信号的频谱分析技术得到很大发展，随之而来的是各种通用的频谱分析仪纷纷问世。
人们通过频谱分析仪分析轴承振动信号频谱中是否出现故障特征频率来判断轴承是否有故障。
由于背景噪声的影响, 频谱图往往比较复杂, 轴承的特征频率在故障初期很难识别出来。
另外, 当时频谱仪的价格很昂贵, 所以没能得到普及利用。
基于多惩罚因子优化ＶＭＤ_的滚动轴承故障特征提取方法
第４５卷 第１１期２０２３年１１月系统工程与电子技术ＳｙｓｔｅｍｓＥｎｇｉｎｅｅｒｉｎｇａｎｄＥｌｅｃｔｒｏｎｉｃｓＶｏｌ．４５ Ｎｏ．１１Ｎｏｖｅｍｂｅｒ２０２３文章编号：１００１ ５０６Ｘ（２０２３）１１ ３６９０ ０９ 网址：ｗｗｗ．ｓｙｓ ｅｌｅ．ｃｏｍ收稿日期：２０２３０５０９；修回日期：２０２３０７２１；网络优先出版日期：２０２３０９０６。
网络优先出版地址：ｈｔｔｐｓ：∥ｌｉｎｋ．ｃｎｋｉ．ｎｅｔ／ｕｒｌｉｄ／１１．２４２２．ＴＮ．２０２３０９０６．１９５４．０１８基金项目：四川省科技厅科技计划（２０２３ＹＦＧ００５０，２０２３ＹＦＧ００３９）资助课题 通讯作者．引用格式：李波，胡哿郗，石剑钧，等．基于多惩罚因子优化ＶＭＤ的滚动轴承故障特征提取方法［Ｊ］．系统工程与电子技术，２０２３，４５（１１）：３６９０ ３６９８．犚犲犳犲狉犲狀犮犲犳狅狉犿犪狋：ＬＩＢ，ＨＵＧＸ，ＳＨＩＪＪ，ｅｔａｌ．Ｆａｕｌｔｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎｍｅｔｈｏｄｏｆｒｏｌｌｉｎｇｂｅａｒｉｎｇｂａｓｅｄｏｎｍｕｌｔｉｐｌｅｐｅｎａｌｔｙｆａｃｔｏｒｓｏｐｔｉ ｍｉｚａｔｉｏｎＶＭＤ［Ｊ］．ＳｙｓｔｅｍｓＥｎｇｉｎｅｅｒｉｎｇａｎｄＥｌｅｃｔｒｏｎｉｃｓ，２０２３，４５（１１）：３６９０ ３６９８．基于多惩罚因子优化犞犕犇的滚动轴承故障特征提取方法李 波１，２， ，胡哿郗１，２，石剑钧１，２，刘恒畅１，２，洪 涛１，２（１．电子科技大学航空航天学院，四川成都６１１７３１；２．飞行器集群智能感知与协同控制四川省重点实验室，四川成都６１１７３１） 摘 要：针对变分模态分解（ｖａｒｉａｔｉｏｎａｌｍｏｄｅｄｅｃｏｍｐｏｓｉｔｉｏｎ，ＶＭＤ）在提取滚动轴承故障特征时预先设置多惩罚因子具有不确定性的问题，结合灰狼优化（ｇｒｅｙｗｏｌｆｏｐｔｉｍｉｚａｔｉｏｎ，ＧＷＯ）算法提出一种基于多惩罚因子优化ＶＭＤ的滚动轴承故障特征提取方法。
基于提升小波变换的滚动轴承故障信号提取研究
基于提升小波变换的滚动轴承故障信号提取研究摘要：为了减小旋转机械由轴承引起的机械故障，本文通过提升小波分解和Hilbert包络解调等方法，将故障有关的频率从高频调制信号中提取出来，再通过谱分析获得与不同损伤相对应的频率成分及其高次谐波。
结果表明此方法具有更好的提取能力，可以有效的提取轴承的故障特征。
关键词：提升小波变换滚动轴承故障诊断1、引言据统计，旋转机械30%的机械故障由轴承故障引起。
准确及时地了解轴承在机械设备中的运行状况，对于保障设备的正常运行和人身财产安全有着十分重要的意义。
传统的小波分析是基于频率的线性分解，对于非线性、非平稳信号的分析得不到很好的分解效果。
由Sweldens和Daubechiesa等学者在20世纪90年代中期提出的提升小波变换通过伸缩和平移算法对信号进行多尺度分解解决了这一难题。
2、滚动轴承故障信号分析正常的滚动轴承，在其振动信号时域图上无冲击、信号无明显的变化，频率成分多集中在低频成分（800Hz以下）。
当出现故障时，轴承将产生重复性的冲击，由它引起的冲击响应是一种高频的振动，并被冲击出现的频率调制。
通过提升小波分解、Hilbert包络解调、细化等方法，可以将故障有关的频率从高频调制信号中提取出来，再通过谱分析可以获得与不同损伤相对应的频率成分及其高次谐波。
故障数据源自西储大学轴承数据中心。
实验平台包括电机、功率计、电子控制设备和传感器组成。
被测轴承支撑电机轴，使用电火花加工技术在轴承上布置了单点故障，故障直径分别为0.007、0.014、0.021、0.028、0.040英寸（1英寸=2.54厘米）。
轴承型号为SKF6205，电机转速1796r/min，采样频率12000Hz，轴承内外圈以及滚动体故障频率分别为107.321Hz、162.079Hz、70.592Hz。
轴承回转频率为29.93Hz。
本文主要以轴承外圈故障作为研究对象。
图1是滚动轴承原始信号图，图2是原始信号的功率谱。
轴承特征信号提取
机械工程 郑佳文
滚动轴承的时域指标
滚动轴承故障信号大部分属于周期性函数，信号的简 谐性、周期性和瞬时脉冲性会比较明显，可以通过分 析故障信号的时域波形曲线从而了解轴承的性能。 通过反应信号波动曲线特征指标的特定参数实现评 估故障信号的变化。常用的时域指标参数有两类： 包括有量纲参数和无量纲参数。
希尔伯特变换
在信号分析处理过程中，希尔伯特变换是一种重要的算法工具， 它是把一个一维的、时域函数转换成唯一对应的一个二维时域 解析函数。这个解析函数的模代表了原函数的包络，相角代表 了原函数的相位特性，实现了对信号幅值及相位的解调。
一个因果系统，当T<0时，冲击响应 th等于 0，仅在t>0 情况下存在， 因此： h(t)的傅里叶变换也就是系统函数 H(ω）分解成实部 R（ω）和虚部 jx(ω) 之和 对式进行傅里叶变换得：
3.滚动轴承滚珠故障的特征提取
通过采集到的滚珠的故障信号的数据，对其进行希尔伯特解调。步骤 如上节类似，可以得到滚珠故障波形如图 3-10 所示。对其包络信号 做傅里叶变换得到滚珠故障的包络谱，如图 3-11 所示。
从图 3-11 可以看出，故障特征频率为 50H 左右，并同时伴有边频带， 其二倍频为100Hz 左右，从表 3-1 中可知，滚珠故障频率为 50.08Hz， 与解调信号频谱分析得出的频率接近。因此，提取的频率 50Hz 为 轴承滚珠故障的特征频率。
对其模拟轴承信号进行希尔伯特解调变换，提取的包络如图 3-4所示。提取包络之后再经过一次傅里叶变换就可以提取出合 成信号的包络谱，包络谱如图3-5所示。
从图 3-5 中可以得出故障频率为 100Hz 左右并且它的倍频 处存在峰值，与调制信号的调制频率是相近的，所以希尔 伯特解调法能够有效的提取出滚动轴承的故障特征。
轴承早期故障特征提取方法研究
轴承早期故障特征提取方法研究摘要：滚动轴承是旋转机械的关键部件，也是最易发生故障的部件，一旦发生故障将对旋转机械造成损坏，甚至影响旋转机械的正常运行。
滚动轴承的早期故障信号常以微弱信号形式存在，其特征提取是轴承故障诊断的难点。
传统包络解调算法的关键是从频率混杂的原始信号中将高频调制的故障信号解调出来，算法实现简便且准确率较高。
将包络解调算法应用到柴油机故障检测中，但无法有效解决滤波器参数选择问题。
将经验模态分解(EmpiricalModeDecomposition，EMD)和谱峭度法相结合进行故障诊断，提高了信噪比，优化了带通滤波器参数，但是EMD自身产生的模态混叠现象会影响故障诊断结果。
上述故障诊断方法自适应强、简单易用，但当原始信号掺杂非平稳噪声时，产生的虚假分量会使特征频率淹没在背景噪声中。
基于此，本文针对相关问题进行分析，以供参考。
关键词：轴承；早期故障；特征提取1轴承早期故障诊断方法1.1小波包分解原理小波包分解能根据信号自身特性自适应地选取与信号频谱相匹配的频段，是一种比小波分解更为细致的分解方法。
小波包分解对信号的分解、重构更加精细，可在全频段对信号进行多层次频带分解。
频域空间和时域空间被越分越细，能更好地对信号进行频带分离，减少其他频率成分干扰。
1.2CEEMD方法CEEMD是在EMD和集合经验模态分解基础上提出的一种优化算法。
为克服EMD和EEMD算法缺陷，CEEMD方法向原始信号中添加正负成对的白噪声，然后对加噪信号实施EMD分解。
CEEMD方法噪声添加次数较少，提高了计算效率。
1.3谱峭度分析谱峭度是一种用来检测信号中是否有非高斯成分的频域统计指标。
通过计算信号频谱中各谱线对应的时域数据的峭度大小，可判定信号中的瞬态冲击成分具体属于哪些谱线，进而计算非高斯成分的频率分布范围。
随机非平稳信号x(t)的Wold-Cramer分解形式为谱峭度是关于中心频率和带宽的函数。
当带宽无限小时，谱峭度为0;当带宽过大时，谱峭度无法反映频带范围中的瞬态冲击现象。
一种基于双稀疏字典稀疏表示的滚动轴承故障诊断方法
一种基于双稀疏字典稀疏表示的滚动轴承故障诊断方法滚动轴承作为一种重要的机械部件，在工业生产过程中发挥着至关重要的作用。
然而，随着轴承使用时间的不断增长，其工作状态可能发生变化，如果不及时采取措施进行维护和修理，轴承可能会出现故障，导致设备失灵、生产效率下降，甚至造成安全事故。
因此，轴承故障诊断一直是工程领域一个热门的研究方向。
在这篇文章中，我们将介绍一种基于双稀疏字典稀疏表示的滚动轴承故障诊断方法。
1. 轴承故障的类型在进行轴承故障诊断之前，我们需要了解常见的轴承故障类型。
一般来说，轴承故障可以分为以下几类：（1）疲劳故障：这是轴承最常见的故障类型，通常由于轴承长期运转、载荷变化等原因引起，主要表现为疲劳裂纹、划痕、脱落等。
（2）润滑不良引起的故障：由于轴承的润滑不良或润滑油的污染等原因，导致轴承表面磨损、氧化、腐蚀等现象。
（3）安装不当引起的故障：轴承在安装时，如果安装不当、过紧或过松等，会导致轴承内外圈失衡、轴承变形等故障。
（4）其他故障：例如轴承表面的异物和轴承材料的断裂等。
2. 双稀疏字典稀疏表示方法双稀疏字典稀疏表示方法是一种有效的信号处理方法，其主要原理是将所要处理的信号表示成两个稀疏系数向量的线性组合。
其中，一组系数向量表示信号的稀疏特性，另一组系数向量表示信号的字典特性。
利用这种方法可以有效地提取信号的特征，从而实现对轴承故障的有效诊断。
3. 滚动轴承故障诊断流程（1）采集轴承振动信号：首先需要采集轴承振动信号。
可以利用加速度传感器或振动传感器等设备来采集轴承振动信号。
（2）信号预处理：对采集到的轴承振动信号进行预处理，包括滤波、去噪等处理，以减少噪声干扰，提高信噪比。
（3）双稀疏字典构建：构建信号的双稀疏字典，以提取轴承振动信号的特征。
（4）信号稀疏表示：将处理后的轴承振动信号表示成两个稀疏系数向量的线性组合，分别表示信号的稀疏特性和字典特性。
（5）故障模式匹配：对表示后的信号进行特征提取和模式匹配，以识别轴承的故障类型，并给出相应的诊断结果。
- 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)。
□研究报告□仪器仪表用户16 EIC Vol.20 2013 No.3Doi:10.3969/j.issn.1671-1041.2013.03.002滚动轴承故障信号提取方法的研究赖宋红（浙江商业职业技术学院，杭州 310053）摘要：滚动轴承的检测与故障诊断中主要应用的是振动分析法。
采集轴承的振动信号，利用信号处理方法提取不同工作状态下信号的特征，通过这些特征，采用模式识别方法识别轴承状态，其中信号特征提取和状态识别是关键。
本文研究了滚动轴承振动信号特征提取的主要方法。
关键词：振动；时域分析；频谱分析中图分类号：TB535 文献标志码：AStudy on the method of extracting rolling bearing fault signalLAI Song-hong(Zhejiang Business College,Hangzhou 310053,China)Abstract:Detection of rolling bearings and fault diagnosis mainly uses vibration analysis.We should collect vibration signal of bearing,make use of signal processing methods to extract the characteristics of the signal under different working conditions,then through these characteristics and pattern recognition methods,we can identify the bearing condition.In this process the signal feature extraction and state recognition are vital.This paper discusses the main method of extraction of rolling bearing vibration signal feature.Key words:vibration;time-domain analysis;frequency analysis0 引言滚动轴承是旋转机械中应用最广泛的一种通用机械部件，在机械设备中起着承受载荷和传递动力的作用，运行状态是否正常往往直接影响到整台设备的性能。
旋转机械的许多故障都与滚动轴承有着密切的关联。
据统计，在使用滚动轴承的旋转机械设备中，约有30%的机械故障是与轴承损伤有关联的[1]。
因此，对滚动轴承故障的准确诊断可以减少或杜绝事故的发生，最大限度地发挥轴承的工作潜力，节约开支，具有重大意义。
本文主要研究了滚动轴承振动质量在线检测中用到的信号特征提取的方法。
1 滚动轴承振动机理在机械运转时，由于滚动轴承本身的结构特点、加工装配误差和运行过程中出现的故障等内部因素，以及传动轴上其他零部件的运动和力的作用等外部因素，当传动轴以一定的速度并在一定载荷下运转时对轴承和轴承座或外壳组成的振动系统产生激励，使该系统振动，其振动产生的机理如图1所示。
图1 滚动轴承振动产生原理实际诊断中，通过布置在轴承座或外圈的传感器拾取的振动信号是上述各种内部和外部激励源施加于滚动轴承系统的综合振动。
如何从综合振动中把轴承故障引起的振动信号提取出来，从而有效地诊断出轴承的故障，这是滚动轴承故障诊断技术的关键所在。
为了能够有效地把故障特征从综合振动中提取出来，这就需要研究滚动轴承故障引起振动信号的特征[2]。
在实验室的旋转机械故障模拟实验台上对正常、滚动体有故障、内圈有故障和外圈有故障四种不同工作状态的轴承分别进行了振动信号的采集。
本文数据采集系统由加速度传感器和测试仪器组成。
加速度传感器选择IMI的608AII型号，其灵敏度为100mV/g，以磁吸方式安装在平坦的轴承座上。
本文实验中采用丹麦的B&KType3560CPulse振动噪声测试仪对轴承振动信号进行数据采集与记录，振动信号采样频率设为65536Hz。
2 滚动轴承振动信号的时域分析以时间为自变量描述物理量是信号最基本、最直观的表达形式。
在时域内对信号进行滤波、放大、统计特征计算、相关性分析等处理，统称为信号的时域分析。
通过时域分析方法，可以有效提高信噪比，求取信号波形在不同时刻的相似性和关联性，获得反映机械设备运行状态的特征参数，为机械系统动态的分析和故障的诊断提供有效的信息。
2.1 时域有量纲特征参数对滚动轴承进行时域处理最常用的有量纲特征参数指标有均方根值、峰值、均值和方差等。
在滚动轴承正常、滚动体故障、内圈故障和外圈故障□研究报告□仪器仪表用户EIC Vol.20 2013 No.3 17欢迎订阅 欢迎撰稿 欢迎发布产品广告信息的工况下，对其采集轴承振动信号并做时域分析，计算均方根值、峰-峰值和峰值。
从这些时域波形和有量纲参数指标中可以看出，时域波形能较好地反映轴承运行状态的不同。
当轴承出现故障时，信号中存在着明显的冲击成分，同正常的轴承相比，其均方根值和峰值都会增大[3]。
2.2 时域无量纲特征参数在滚动轴承缺陷诊断中，常用的无量纲特征参数指标有峰值因数、峭度、脉冲因子、波形因子和裕度因子等。
表1列出了轴承不同运行状态下的各项无量纲指标。
从中可以看出，轴承不同运行状态下的时域无量纲统计指标存在着明显的差异，相同运行状态下的信号指标存在着相似性，利用这些时域无量纲指标可以有效地识别轴承工作状态。
表1 轴承时域无量纲统计指标轴承故障类型峰值指标峭度脉冲指标波形指标裕度指标正常1 6.0639 4.16967.89590.85339.4861正常2 6.1904 4.28938.08590.87559.7285滚动体18.2152 6.536611.1951 1.864913.7650滚动体28.59047.842311.9127 1.906914.6783内圈110.430320.687517.4868 1.635523.2278内圈210.460720.947018.2319 1.685024.5996外圈111.183621.170118.6411 1.832124.5048外圈211.040621.918118.68371.891624.77463 滚动轴承振动信号的频域分析所谓频域分析，是把以时间为横坐标的时域信号通过傅立叶变换分解为以频率为横坐标的频域信号，从而求得关于原时域信号频率成分的幅值和相位信息的一种分析方法。
通过对各频率成分的分析，对照机器零部件运行时的特征频率，以便查找故障源。
频域分析方法己成为机械设备故障振动诊断的主要方法。
从频域上对信号进行分析能够反映信号的频率成分以及分布情况。
频域分析方法已成为机械设备故障振动诊断的主要内容。
3.1 频域参数指标常用的频域参数指标有重心频率FC、均方频率MSF、均方根频率RMSF、频率方差、频率标准差RVF等。
利用频域参数指标可以对滚动轴承的故障进行粗略判断。
当轴承无故障时，频率成分主要集中在低频，FC较小；出现局部损伤类故障时，由于冲击引起的共振，主频区右移，FC增加。
上述参数与轴承异音有很强的相关性，可以综合评判轴承质量。
轴承故障时与正常时相比，重心频率FC增加。
频谱是信号在频域上的重要特征。
频谱分析是信号分析的重要手段。
频谱分析方法包括自功率谱分析、互功率谱分析、共振解调分析和细化谱分析等。
下面介绍一种新的频谱细化分析方法的实现[4]。
3.2 频谱细化分析频谱细化分析的目的是把整个频率范围中的某段频带局部放大，获得更高的频率分辨率，从而观察频谱中的细微部分。
常见的频谱细化方法有基于复调制的频谱细化分析、chirp-z变换、Yip-zoom变换、相位补偿细化法等，但从分析精度、计算效率、分辨率、灵活性等方面来看，基于复调制的频谱细化分析行之有效，得到了广泛的应用。
复调制频谱细化分析原理：模拟信号x(t)经抗混滤波、A/D转换后，得到采样序列x0(n)，采样频率为fs，假设要求在频带(f 1~f 2)范围内进行频谱细化分析，则欲观测频带的中心频率为f 0，对x 0(n)以e -j2πnf0/fs 进行复调制，得到频移信号x(n)。
复调制使x 0(n)的频率成分f 0移到x(n)的零频点。
用截止频率为fs/2D(D为细化倍数)的数字低通滤波器对x(n)滤波，滤波后信号为y(n)。
然后以采样频率fs/D对滤波后信号进行重采样，得到信号g(m)。
对原信号x 0(n)直接进行N点FFT分析，频率分辨率为fs/N；重采样后信号g(m)进行N点FFT分析，频率分辨率为fs/DN，提高了D倍。
由于g(m)是复序列，FFT变换后的全部数据均为有效信息，将得到的频率成分调整到所选频带的频率成分即可得到所选频带细化谱。
仿真信号的采样频率为2048Hz，FFT点数为1024点，细化倍数为50倍，细化中心频率为5OOHz，则细化前后的频率分辨率分别为2Hz、0.04Hz。
不进行细化而直接作1024点FFT，得到一种全景谱，从全景谱可看出，各频率成分叠在一起，不可分辨。
以5OOHz为中心细化50倍后作1024点FFT，得到细化谱，细化后频率分辨率为0.04Hz，各频率成分清晰可见。
4 结束语滚动轴承的振动信号是滚动轴承运行状态的主要反应形式之一，也是对滚动轴承实施检测和故障诊断的最主要的分析对象。
本文利用振动噪声测试仪对轴承振动信号进行数据采集，通过信号的时域有量纲特征参数、时域无量纲特征参数、频域细化分析等方法对获取的特征集进行识别从而判断轴承运行状态，识别结果和滚动轴承外圈故障信号验证了上述方法的有效性。
□参考文献[1] 陈进.机械设备振动检测与故障诊断[M].上海:上海交通大学出版社,1999.[2] 王靖,王震洲,王静云.基于DSP的电机断条故障在线检测系统设计[J].河北工业科技,2010,(27):1-3.[3] 夏其表,戴勇,王洁.精密球体研磨加工的在线检测与优化控制[J].机电工程，2010,(27):15-17.[4] 师汉民.机械振动系统[M].武汉:华中科技大学出版社,2005.作者简介:赖宋红(1984-),男,讲师,从事机电一体化研究。
收稿日期:2013-03-25基金项目:浙江商业职业技术学院校级一般课题(编号:SZYYB201107)***************************************************************世界3D打印技术产业大会在北京举行为推动3D打印技术产业化进程，促进3D打印技术国际间的对话交流与合作，由亚洲制造业协会、中国3D打印技术产业联盟、世界3D打印技术产业联盟（筹）、英国增材制造产业联盟共同发起主办的首届世界3D打印技术产业产业大会于5月29－31日在北京隆重举行。