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_信号特征提取技术
4A 4A 4A sin(3 0 t ) sin(5 0 t ) sin(7 0 t ) 3 5 7
周期性方波信号的频谱2
图4—3 是该方波的幅频谱 图，横坐标是频率ω ，纵坐标 是幅值，图中对应于某个频率 的直线称为谱线。 从图中可知周期信号的频 谱具有下列特征： 1）离散性 即周期信号的频 ω0 3ω 0 5ω 0 7ω 0 谱图中的谱线是离散的。 图4—3 方波的幅频谱图 2）谐波性 即周期信号的谱 线只发生在基频ω 0的整数倍频率上。 3）收敛性 周期信号的高次谐波的幅值具有随谐波次数n 增加而衰减的趋势。
峭度指标Cq
Cq 1 N ( xi x ) 4
i 1 4 X rms N
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。
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。
• 4．2．2 周期信号与非周期信号的频谱
最简单的周期信号是正弦信号 x(t ) A sin(t ) A sin(2ft ) 如果正弦信号的周期为T，则它们之间的关系为： 1 f T 2 富里叶级数说明满足狄利克雷条件的周期信号，可以用正弦函数表 达成富里叶级数的形式： x(t ) a 0 An sin(n 0 t n ) （n=1，2，3，……）
振动信号的机械故障诊断与预测模型研究
振动信号的机械故障诊断与预测模型研究引言随着机械设备的广泛应用，机械故障对生产效率和设备寿命造成了严重影响。
因此，精确的机械故障诊断与预测模型的研究对于提高设备可靠性和降低维护成本具有重要意义。
振动信号作为一种常见的故障特征量，具有信息量丰富和非侵入性的特点，被广泛应用于机械故障诊断与预测中。
本文将探讨基于振动信号的机械故障诊断与预测模型的研究。
一、振动信号的特征提取方法特征提取是振动信号分析的关键步骤，其目的是从原始信号中提取有效的特征以描述机械故障状态。
常见的特征提取方法包括时域特征、频域特征和时频域特征。
1.1 时域特征时域特征是指在时间上对信号进行分析的方法，包括均值、标准差、峰值等。
时域特征能够反映信号的整体特征和波形特征，但对于频率信息不敏感。
1.2 频域特征频域特征是指将信号转换到频率域进行分析的方法，包括功率谱密度、频谱峰值等。
频域特征能够反映信号的频率分布和能量集中情况，适用于故障频率分析。
1.3 时频域特征时频域特征是指对信号进行时间和频率联合分析的方法，包括短时傅里叶变换、小波变换等。
时频域特征可以提取信号的瞬时频率、瞬时幅值等动态特征，适用于瞬变故障的检测与诊断。
二、机械故障诊断模型的研究机械故障诊断模型旨在通过分析振动信号提取的特征，判断机械设备的故障类别和故障程度。
常见的机械故障诊断模型包括基于统计学方法、人工智能方法和深度学习方法。
2.1 基于统计学方法的机械故障诊断模型基于统计学方法的机械故障诊断模型采用概率统计和统计模型建立对应的故障诊断规则。
其中，最常用的方法是基于支持向量机（SVM）和贝叶斯分类器的模型。
这些方法适用于数据量较小且特征明显的故障诊断，但对于复杂故障的诊断效果较差。
2.2 基于人工智能方法的机械故障诊断模型基于人工智能方法的机械故障诊断模型利用神经网络、遗传算法等方法进行故障识别与分类。
这些方法能够处理大规模数据和复杂故障，但对训练数据和参数设置较为敏感。
风机叶片振动信号分析与故障特征提取
风机叶片振动信号分析与故障特征提取随着工业领域的发展，风机在许多行业中被广泛使用，如电力、石化、冶金等。
风机的稳定运行直接关系到生产工艺的正常进行和设备的寿命。
然而，由于各种原因导致的风机叶片振动可能会造成设备故障，降低其运行效率和使用寿命。
在风机叶片振动信号分析与故障特征提取方面，一项关键的任务是通过信号处理技术来提取故障特征，帮助工程师们实现风机的智能监测与故障预警。
下面，将针对这一问题进行详细探讨。
1. 信号采集与预处理风机叶片振动信号的采集通常使用传感器进行，传感器将叶片振动转化为电信号进行采样。
然后，我们需要对采集得到的信号进行预处理，包括滤波、降噪和提取有效信息等。
滤波的目的是去除噪声和干扰，使得后续处理更为准确可靠。
2. 叶片振动信号分析方法针对风机叶片振动信号，我们可以采用多种信号分析方法，来获取相关故障的特征信息。
其中，时域分析可以用来观察信号的波形和周期性，通过计算均值、方差等统计量来评估叶片的振动稳定性。
频域分析则通过傅里叶变换等方法，将信号转化到频域进行分析，可以得到不同频率分量的能量分布情况。
此外，小波变换、时频分析等方法也可以应用于叶片振动信号的分析。
3. 故障特征提取与模式识别通过信号分析得到的故障特征可以用于判断叶片是否存在故障，并对故障类型进行分类。
常用的故障特征包括振动幅值、频率、能量等。
针对叶片振动信号中的频率成分，可以采用谱峰提取、小波包分析等方法进行特征提取。
同时，将提取得到的特征输入到模式识别算法中，如人工神经网络、支持向量机等，可以实现对故障类型的自动识别。
4. 故障诊断与预警基于风机叶片振动信号的分析与特征提取，我们可以建立故障诊断与预警系统，实现对风机运行状态的实时监测。
当系统检测到异常振动信号时，可以自动发出预警信号，并进行故障类型的诊断。
根据诊断结果，工程师们可以采取相应的措施，及时修复或更换受损的叶片，从而避免更大的损失。
综上所述，风机叶片振动信号分析与故障特征提取是实现风机智能监测与故障预警的重要步骤。
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。
基于 matlab 的机械故障诊断技术案例教程
基于 matlab 的机械故障诊断技术案例教程机械故障诊断技术是通过分析机械设备的运行状态、振动、声波等数据，以识别和定位故障的技术手段。
在此案例教程中，我们将详细介绍基于MATLAB的机械故障诊断技术。
一、故障诊断技术的基本原理故障诊断技术是通过对机械设备的振动、声音等信号进行分析来判断设备运行是否正常。
在机械故障诊断过程中，需要收集设备的振动和声音数据，并进行合理的处理和分析。
二、使用 MATLAB 进行机械故障诊断的案例在此案例中，我们将以离心泵为例，介绍基于 MATLAB 的机械故障诊断技术的应用。
1. 数据采集：从离心泵中采集振动和声音数据，并将其存储为数值形式的文件。
2. 数据预处理：使用MATLAB 对采集到的数据进行预处理，包括去噪、滤波、降采样等操作，以便后续的信号分析和故障诊断。
3. 特征提取：使用 MATLAB 对预处理后的数据提取特征。
常用的特征包括频域特征、时域特征、小波包特征等。
4. 特征选择：根据实际情况，使用 MATLAB 对提取到的特征进行选择，筛选出与故障相关的特征。
5. 故障诊断模型建立：使用 MATLAB 构建故障诊断模型，可以采用机器学习算法、人工智能技术等。
6. 故障诊断与预测：使用构建好的故障诊断模型，对新的数据进行诊断和预测。
通过与已知故障样本进行比对，可以准确判断设备是否出现故障，并预测故障类型。
三、案例教程中的注意事项在进行机械故障诊断时，需要注意以下几点：1. 数据采集要准确可靠，确保采集到的数据具有代表性。
2. 数据预处理要注意去除噪声、滤除干扰，并保留有用的信号。
3. 特征提取要选择合适的特征，能够准确反映机械设备的运行状态。
4. 模型建立要根据实际情况选择合适的算法和技术，同时需要考虑模型的准确性和计算效率。
5. 故障诊断与预测要结合实际情况进行判断，并及时修复设备故障，避免进一步损坏。
综上所述，通过基于 MATLAB 的机械故障诊断技术案例教程，我们可以学习到使用 MATLAB 进行机械故障诊断的基本原理和方法，帮助我们有效提高设备故障的诊断准确性和效率。
工业机器人的故障诊断技术分析
基于数学模型的故障诊断技术
简介
基于数学模型的故障诊断技术 是一种通过建立系统数学模型 ，并利用输入输出数据来识别
系统故障的方法。
优点
能够精确地描述系统动态行为， 对于复杂系统具有较强的适用性 。
缺点
建立数学模型需要较高的技术要求 ，并且对于某些复杂系统难以建立 有效的数学模型。
基于信号处理的故障诊断技术
存储和分析历史数据，提供数据支持。
故障诊断系统的故障检测与识别
1 2
故障检测模块
实时监测工业机器人的运行状态，发现异常情 况。
故障识别模块
通过对数据的分析，识别出具体的故障类型和 位置。
故障定位模块
3
进一步确定故障的具体位置和影响范围。
故障诊断系统的决策与控制
决策模块
根据故障类型和位置，制定相应的维修策略。
03
模型优化和更新
通过对模型的持续优化和更新，可以提高模型的自适应能力和诊断性
能，实现更高效和准确的故障诊断。
基于物联网的远程故障诊断技术
远程故障诊断
利用物联网技术，可以实现工业机器人的远程故障诊断 ，及时发现并解决故障问题，提高生产效率和降低维修 成本。
在线监测与预警
通过实时监测工业机器人的运行状态和各项参数，可以 实现故障预警和预防性维护，降低故障发生率和提高机 器人的使用寿命。
加工与装配
工业机器人可以用于加工 和装配，如铣削、钻孔、 拧螺丝等，提高生产效率 和精度。
工业机器人技术的发展历程
第一代工业机器人
基于示教再现技术的工业 机器人，通过示教盒对机 器人进行在线编程，实现 机器人的重复运动。
第二代工业机器人
具有感知能力的工业机器 人，通过传感器感知环境 信息，实现机器人的自适 应控制。
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。
基于人工智能的机械故障诊断与预测技术
基于人工智能的机械故障诊断与预测技术随着科技的不断进步和人工智能技术的不断发展，人工智能在各个领域都有广泛的应用。
其中，机械故障诊断与预测技术是人工智能的重要应用领域之一。
本文将探讨基于人工智能的机械故障诊断与预测技术的原理、特点和应用前景。
一、机械故障诊断与预测技术的原理1. 数据采集与处理机械故障诊断与预测技术的第一步是对机器运行过程中产生的各类数据进行采集与处理。
传感器技术的不断发展使得我们可以采集到大量的机器参数数据，如温度、压力、振动等。
同时，为了消除数据中的噪声和干扰，还需要进行数据处理，采用滤波、降噪、数据归一化等方法。
2. 特征提取与选择在数据采集与处理的基础上，需要从原始数据中提取有用的特征。
特征可以是机器性能指标的统计量，也可以是频域或时频域上的特征参数。
选择合适的特征是提高机械故障诊断与预测准确性的关键。
3. 模型建立与训练在特征提取与选择的基础上，需要建立机械故障诊断与预测的模型。
人工智能技术如支持向量机、神经网络、决策树等常用于机械故障诊断与预测的模型。
通过使用已有的数据进行模型的训练，提高模型在未知数据上的泛化能力，使得机器能够准确地识别故障和预测故障的发生。
二、基于人工智能的机械故障诊断与预测技术的特点1. 自动化与准确性传统的机械故障检测与维修过程往往需要人工干预，而基于人工智能的机械故障诊断与预测技术能够实现自动化的检测与维修过程，大大提高了工作效率。
同时，由于人工智能技术具有较强的模式识别和学习能力，能够准确地诊断和预测机械故障。
2. 提前预警与维护基于人工智能的机械故障诊断与预测技术能够及早发现机械故障和潜在的故障隐患，及时发出报警或预警信号，对机械设备进行维护或修复，避免设备损坏和生产事故的发生。
这种提前预警的能力对于工业生产和设备运行的安全至关重要。
3. 数据驱动与智能化基于人工智能的机械故障诊断与预测技术是数据驱动的，它能够根据历史数据和实时数据进行故障诊断和预测。
- 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)。
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。
• 4．1．6 歪度指标
歪度指标Cw反映振动信号的非对称性。
Copyright 2004-2011 Aspose Pty Ltd.
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。
• 4．2．1 频域分析与时域信号的关系
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
平均值描述信号的稳定分量，又称直流分量。
ted with Aspose.SlEXidveaN1sluiNf1aoxtir(ito).NnEoTnl3y..5 Client Profile 5.2
在平均值用于使用涡流传感器的故障诊断系统中。当
把C一o个p涡yr流ig传h感t 2器0安0装4-于2轴01瓦1的A底s部po（s或e顶P部ty）L，td其. 初始
摩擦或碰撞，造成振动波性的不对称，使歪度指标Cw增大。
• 4．1．7 峭度指标
峭度指标Cq反映振动信号中的冲击特征。
ted with Aspose.峭S度lEid指vea标sluCCfqqaotrio.N1NniNE1oX(Tnxr4mils3y..x5)4 Client Profile 5.2
• 4．2．2 周期信号与非周期信号的频谱
最简单的周期信号是正弦信号 x(t) Asin(t ) Asin(2ft )
如果正弦信号的周期为T，则它们之间的关系为： f1 T 2
富里叶级数说明满足E狄v利al克u雷a条tio件n的周on期l信y.号，可以用正弦函数表 ted 达w成it此富hC公里Ao式叶sp具级py有o数rxsi明的(gte)确形h.的式Sta20物：li0d理n0e意1 4sA义n-fs2。oin0它(rn1表.1N0明t EA任Tsn何)p满3o足.s5狄eC（利Pnl克i=te1雷y，n条Lt2，件tPd3的r，.o周…f期i…le） 5.2
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E标vCaeluaCtieonXXormns ly. ted with A在s不po存s在e.摩S擦lid碰e撞s的fo情r 况.N下E，T即3歪.5度C指l标ie变nt化P不ro大f的ile 5.2
条件C下op。y以rig加h速t 度20、0速4度-2为0测11量A传s感p器os的e系P统ty，L其td平.均值
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。
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E态v是al否ua正tio常n，o因nly而. 在设备故障诊 ted w断ith系A统s中po用se于.S故li障de监s测fo，r 趋.N势ET预3报.5。C要li知en道t 故Pr障ofile 5.2
趋势曲线作出判别E。valuation only. ted with A在sp流o程se生.产Sl工id业e中s ，fo往r .往N有E这T样3的.5情C况li，en当t发P现ro设fi备le 5.2
的检C情修o况 ，p不只yr好能ig，让h某设t 2项备0或带0多病4-项运2特行01征。1指当A标这s上些po升指s，标e但从P设峰ty备值L不跌td能落. 停时产，
为：1∶ ∶ ∶ …，信号之间无相位
差横。坐我标们轴在是时时间间域t，观就察如E这这v些些a信信l号u号a—叠t—ion only.
ted w加i起th来A，其sp合o成s结e果.S投l影id到e时s域fo平r .NET 3.5 Client Profile 5.2 面需上要，注C于意o是的p我是y们如rig看果h到在t了频2方 率0波比0信、4号幅-2。值011 Aspose Pty Ltd.
ted with Asp歪o度s指e.标SClEiwdveCaswlufaoN1trio.iNNn1X(Eoxr3miTns l3yx..)53 Client Profile 5.2
Co除p有yr急ig回h特t 2性0的0机4-械2设01备1外A，s由po于s存e在P着ty某L一td方. 向的
个信号样本的总长E中v，al找ua出ti绝on对值on最ly大. 的10个数，用这10 ted wi个th数A的s算po术s平e均.S值lid作e为s峰fo值rX.pN。ET 3.5 Client Profile 5.2
Copyr峰ig值ht指2标0I0p4I p-20XX1rm1ps Aspose Pty Ltd.
Co峭p度yr指ig标hCtq对20信0号4中-2的01冲1击A特s征po很s敏e感P，ty正L常td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。
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
比、相位差这三个方面有任一个不
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。
关于频谱图的说明
周期性方波信号的频谱1
周期性方波信号x(t)从原本意义上是既无开始又无结束 的信号，但可以在一个周期内表述为：
－A T t 0
2 Evaluation only. ted wX(itt)=h Aspose.Slides for .NET 3.5 Client Profile 5.2
CopyArigh0t 2t0 0T2 4-2011 Aspose Pty Ltd.
超出正常值（故障判定限）较多时，可以肯定机械存在故 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。
• 4．1．3 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
均方值 EXvr2mas luN1aiNt1ixoi2(nt) only. ted with A有sp效o值sXer.mSs又lid称e均s方fo根r值.N，E是T机3械.5故C障l诊ie断nt系P统ro中f用ile 5.2
于述判振Co别动p运信y转号rig状的h态能t 是量20否，0正稳4常定-2的性01重、1要重A指复s标性po。好s因，e为因P有而ty效当L值这td项X.rm指s描标
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。
• 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。
第四章 信号特征提取——信号分析技术
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
性显的出影混响乱， 无当 规它 律们 的混形E杂态v在。a一因lu起此a被需tio传要n感从o器中n转进ly换行. 成识波别形——曲信线号时特，征呈 ted w的it提h取平A。稳sp定o转s速e运.S转li的de机s械f设o备r .，N无E论T有3多.5少个C振lie动n源t ，P其ro产file 5.2
对该方波信号x(t)作富里叶变换 可得该方波的富里叶级数描述：
图4—2 周期性方波信号
x(t)
4A
sin(
0t
)
4A
3
sin(3
0t
)
4A
5
sin(5
0
t
)
4A
7
s
in(7
0
图4—3 是该方波的幅频谱
图，横坐标是频率ω ，纵坐标
是幅值，图中对应于某个频率
的直线称为谱线。 Evaluation only. ted with从A图s中po可s知e.周S期lid信e号s的fo频r .NET 3.5 Client Profile 5.2
谱1具）C有离o下散p列y性特rig征即h：t周2期0信04号-2的0频11 Aspose Pty Ltd.
谱图中的谱线是离散的。
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。
4．1 信号特征的时域提取方法
• 4．1．1 平均值
角度从时间域转换到频率域，从而更清楚地观察到信号中 所包含的多种频率成分，及各项波形特征参数。
在频谱图中，我们可以看到哪些是机械运行状态的振 动成份（与基准频率——1轴转频有固定的数学关系的频率 成份），它们之中，谁对振动占主导作用，谁与过去相比， 有较大幅值变化，等等，这些状态信息是机械故障诊断的 基础。
生的C振o动p信y号rig都h是t与2转00速4相-关20的1强1迫A振s动p信os号e，P也t是y周L期td性. 信