滚动轴承状态监测
滚动轴承运行状态智能化监测[论文]
![滚动轴承运行状态智能化监测[论文]](https://img.taocdn.com/s3/m/d3b01d44fe4733687e21aabe.png)
滚动轴承运行状态智能化监测摘要随着科技的迅速发展，轴承系统在工业生产中广泛应用，使得常规故障诊断技术越来越难以满足人们对轴承系统的可靠性要求，而人工神经网络的智能诊断技术越来越受到青睐，并成为轴承系统故障诊断发展的重点方向。
关键词监测智能诊断轴承系统人工神经网络图分类号：th133.33 文献标识码：a1简介1.1滚动轴承状态监测的意义滚动轴承是各类旋转机械中最常用的通用零部件，在旋转机械中起到关键作用。
据统计，30%的旋转机械故障因滚动轴承故障引起，滚动轴承运行状态的正常与否直接影响到整台机器的性能，滚动轴承的状态监测和故障诊断就显得格外重要。
1.2滚动轴承故障的类型滚动轴承在安装和运转过程中可能导致轴承出现疲劳剥落和磨损等失效状态。
滚动轴承主要的故障类型为：轴承磨损、轴承疲劳、腐蚀失效、断裂失效、压痕失效和胶合失效。
1.3常见滚动轴承故障信号采集常见的轴承故障信号采集方法有：油样分析法、温度监测法、振动法、声发射法。
1.4 人工神经网络在故障诊断中的应用1.4.1神经网络概述神经网络以非线性为基础，模拟人脑细胞的分布式工作特点和自组织功能实现并行处理、自学习和非线性映射等能力，具有高度的学习联想能力。
目前神经网络己经在智能控制、模态识别、非线性优化、自适应滤波、语音识别、机器人工程、生物医学等领域获得了广泛的应用。
1.4.2 bp神经网络在故障诊断中的功能基于神经网络的故障诊断就是利用样本训练收敛稳定后的结点连接权值，向网络输入待诊断的样本征兆参数，计算网络的实际输出值，根据大小排序，从而确定故障类别。
bp网络故障模式识别系统主要包含：数据样本采集、数据处理、特征值的提取、bp神经网络的建立、网络的学习、故障识别几个过程。
2人工神经网络的智能识别2.1人工神经网络概述人工神经网络（artificial neural network，简称ann）是一个由大量简单的处理单元（神经元）广泛连接组成的人工网络，是以工程技术手段模拟人类大脑的神经网络结构与功能特征的一种技术系统，它用大量的非线性并行处理器来模拟众多的人脑神经元。
滚动轴承的状态监测与故障判断
滚动轴承的状态监测与故障判断展开全文本文中研究滚动轴承故障诊断研究的基本方法将采用滚动轴承的振动信号分析的方法，采取与正常轴承振动信号作对比的方式，抽样选取不同轴承振动的信号，通过比对从而判断该滚动轴承的故障类型并在此基础之上获得其状态监测的方法。
1.监测与诊断的目的和意义滚动轴承是旋转机械的重要组成部分，同时也是旋转机械中最容易出现故障的部件之一。
它具有造价较低、润滑冷却方便、运行灵敏、使用效率较高、维修便捷等优点，在机械行业应用广泛。
据有关统计显示，在旋转机械故障率中有近30%的故障是由于滚动轴承发生故障而引起的，所以，对滚动轴承的状态监测和故障诊断进行研究势在必行。
滚动轴承正常运行与否，对于整机的可靠性、精度以及寿命等性能有很大的影响。
据有关统计显示，在旋转机械故障率中有近30%的故障是由于滚动轴承发生故障而引起的，在将故障诊断技术运用到生产中以后，事故率降低近70%，同时降低的维修费用也有近40%。
利用轴承状态监测技术可以了解轴承的使用性能，并对可能发生的故障进行早期检测，分析和预测可能发生的故障，进一步提高设备的管理水平和维修效率，经济效益十分显著。
2.轴承故障诊断的发展历程轴承故障诊断刚开始主要是依靠人工听觉来诊断，再有就是利用探听棒这种方法在许多企业中仍在使用，一些工具已经被改进到电子听诊器。
例如，当使用电子听诊器检测轴承故障时，具有经验丰富的人员可以凭经验诊断轴承疲劳剥落，有时还可以诊断出损伤发生的位置，但是其它的外部原因，可靠性有时会无法得到保证。
随着科技的发展，越来越多的振动仪器被运用到在滚动轴承的状态监测工作中。
这些仪器利用振动位移、速度和加速度的均方根值或峰值来判断轴承是否有故障。
这些仪器减少我们对经验的依赖，使得监测和诊断的准确性有了很大的提高，但是在故障发生的初始阶段仍然很难及时做出准确的诊断。
瑞典SKF公司在多年研究轴承故障机理的基础上，于1966年发明了脉冲计检测轴承损伤的方法，很大程度上的提高了滚动轴承的故障诊断工作的准确性和及时性。
滚动轴承的状态监测与故障判断
滚动轴承的状态监测与故障判断滚动轴承是工业领域中常见的机械部件之一，主要用于支撑和转动机械设备。
在使用过程中，滚动轴承可能会出现一些故障，如轴承损耗、磨损等问题。
针对这些故障，及时进行状态监测和故障判断是非常必要的。
本文将从滚动轴承的状态监测和故障诊断两个方面进行介绍。
指标监测：通过监测关键指标，如轴承的温度、位置振动、噪声等，可以获得轴承的运行状态。
其中，温度的监测是比较常见的方法，通常使用温度计和红外线测温技术进行监测。
对于高速轴承还可以使用锅炉测温计进行实时监测。
位置振动监测是指通过振动传感器或加速度计获取轴承的振动数据，根据振动数据来分析轴承的状态。
如果轴承的振动频率很高，则说明可能存在故障。
油润滑监测：为了确保轴承的正常运行，需要进行油润滑监测。
在油润滑监测过程中需要测量油温、油压、粘度等指标，同时还需要检查油的浑浊度和金属微粒的含量。
这些指标可以帮助判断油润滑的状态是否正常。
损耗诊断：损耗是指轴承零件表面材料的脱落、烧焦、磨损等现象。
通过损耗诊断可以确定损耗的原因，如材料强度、润滑状况等。
损耗诊断可以使用金相分析和扫描电子显微镜等技术。
磨损诊断：磨损是指轴承零件表面材料被磨损或腐蚀的现象。
磨损可能是由于轴承内部的某些因素引起的，例如材质、润滑状况、工作载荷等。
可以使用虚拟仪器技术、金属磨损颗粒分析等方法对轴承的磨损程度进行诊断。
结论通过对滚动轴承的状态监测和故障诊断，可以提高轴承的可靠性和安全性，延长轴承的使用寿命，减少维修和更换的次数和成本。
因此，对滚动轴承进行状态监测和故障诊断是非常重要的。
滚动轴承的状态监测与故障判断
滚动轴承的状态监测与故障判断滚动轴承作为工业设备中常见的零部件之一，承载着机器运行过程中的重要轴向负荷。
滚动轴承的状态监测与故障判断对于设备的正常运行和维护至关重要。
本文将探讨滚动轴承的状态监测技术、故障判断方法以及相关的应用实例。
一、滚动轴承的状态监测技术1. 振动监测技术振动监测是最常见的滚动轴承状态监测技术之一。
通过在轴承上安装振动传感器，可以实时监测轴承运行时所产生的振动信号。
根据振动信号的频率、幅值和波形等特征参数，可以判断轴承的运行状态，从而及时发现轴承的异常情况。
声音监测是利用特定的声学传感器对轴承运行时产生的声音信号进行监测和分析。
通过分析声音的频谱、频率和幅值等参数，可以判断轴承的工作状态和存在的故障问题。
温度监测是通过在轴承上安装温度传感器，实时监测轴承的工作温度。
当轴承发生异常时，温度会升高，通过监测温度的变化可以及时发现轴承故障的存在。
4. 油膜厚度监测技术滚动轴承常常需要润滑油润滑，在轴承内形成一定厚度的油膜以减少摩擦和磨损。
油膜厚度监测技术可通过超声波传感器或其它传感器测量油膜的厚度，判断油膜的完整性和润滑效果，进而判断轴承的工作状态。
二、滚动轴承的故障判断方法1. 振动特征分析法通过对轴承振动信号的频谱分析、包络分析和趋势分析等方法，判断轴承是否存在异常振动，以及具体的故障类型，如轴承内环、外环或滚动体的故障。
通过监测轴承的工作温度，分析温度的变化趋势和幅值变化，判断轴承是否存在异常，例如摩擦热、润滑不良或局部热点等故障。
1. 航空发动机轴承的状态监测与故障判断航空发动机轴承是航空发动机中的重要部件，其状态的监测与故障的判断对飞机的安全运行至关重要。
航空发动机轴承通常采用振动监测和声音监测技术，通过监测振动信号和声音信号的特征参数，判断轴承的工作状态和可能存在的故障问题。
滚动轴承的状态监测与故障判断是工业生产中的重要课题，通过采用多种监测技术和故障判断方法，可以有效地保障轴承的安全运行，延长其使用寿命，提高设备的可靠性和运行效率。
滚动轴承的状态监测与故障判断
滚动轴承的状态监测与故障判断【摘要】滚动轴承是机械设备中广泛应用的零部件，其状态监测与故障判断对设备的运行稳定性和安全性至关重要。
本文通过介绍滚动轴承的工作原理，常见故障特征的监测方法，故障判断技术，状态监测与诊断系统以及应用案例分析，探讨了滚动轴承状态监测与故障判断的重要性。
未来，随着技术的不断进步，滚动轴承状态监测与故障判断的发展趋势将更加智能化和精准化，为提高设备的运行效率和延长设备寿命提供更好的技术支持。
通过本文的研究总结，我们可以更好地了解滚动轴承状态监测与故障判断的重要性，并为未来的研究和实践提供参考指导。
【关键词】滚动轴承、状态监测、故障判断、工作原理、监测方法、判断技术、诊断系统、案例分析、重要性、发展趋势、总结。
1. 引言1.1 研究背景滚动轴承是机械设备中常见的零部件，其工作状态直接影响到整个设备的运行稳定性和效率。
随着现代工业的发展，对滚动轴承的状态监测与故障判断需求越来越迫切。
在过去，人们通常采用定期检查的方法来维护滚动轴承，但这种方法无法及时发现潜在的问题，也无法有效预防故障的产生。
研究如何实现对滚动轴承状态的实时监测和故障判断成为了当前工程技术领域的热门课题。
在滚动轴承的工作过程中，常常会受到高温、高速、高载等各种因素的影响，从而导致故障的产生。
研究如何准确监测滚动轴承的工作状态，及时发现故障迹象，对于提高设备的可靠性和安全性具有重要意义。
本文将介绍滚动轴承的工作原理，常见故障特征的监测方法，故障判断技术，状态监测与诊断系统以及应用案例分析，以期为工程技术人员提供参考和借鉴。
1.2 研究意义滚动轴承是机械设备中非常重要的零部件，其工作状态直接影响到整个设备的性能和寿命。
对滚动轴承的状态监测与故障判断具有非常重要的意义。
通过及时监测滚动轴承的工作状态，可以帮助预防设备故障的发生，减少因故障导致的生产线停机时间和维修成本。
这对于生产效率的提高和成本的控制都具有重要意义。
滚动轴承是机械设备中易受损的部件之一，其故障往往会导致设备运行异常或甚至危险。
滚动轴承的状态检测与故障诊断
d BSF = 2D [1− ( D cosθ)2 ]× f0 d
d FTF = 1 (1− D cosθ) × f0 2
有时难以测量轴承的几何尺寸，在知道滚动体数目的情况下，可以用以下公 式估算轴承的故障频率：
内
环：
BPFI = ( n +1.2) × f 0 2 BPFO = ( n −1.2) × f 0 2
3.轴承故障频率计算
内环滚动，外环固定，这是滚动轴承最常见的安装方式。其故障 频率分别为： 内 环： 外 环： 滚动体： 保持架： 式中： n——滚动体数目 d——滚动体直径 D——轴承节径，即外环内径与内环外径的平均值 θ——接触角，对于推力轴承，接触角θ为90°。
d BPFI = n (1+ D cosθ ) × f0 2
1）第一阶段：轴承的超声频率振动阶段
轴承最早期的故障是表现在250kHz～350kHz范围的超声频率的振动异常，随着故 障的发展，异常频率逐渐下降移到20kHz～60kHz。
2）第二阶段：轴承的固有频率振动阶段
随着轴承的运转，轴承滚动表面会产生轻微的缺陷，这些轻微缺陷引 起的振动会激起轴承部件的固有频率(fn)振动或轴承支承结构共振，一般振 动频率在500Hz～2kHz。
二、诊断技术和方法
1.滚动轴承的失效形式 1.滚动轴承的失效形式 2.滚动轴承的失效过程 2.滚动轴承的失效过程 3. 故障频率计算 4.振动特征的分析方法 4.振动特征的分析方法
1.滚动轴承的失效形式
1）疲劳剥落
滚动轴承的内外滚道和滚动体交替进入和退出承载区域，这些部件因长时间承 受交变载荷的作用，首先从接触表面以下最大交变切应力处产生疲劳裂纹，继而扩 展到接触表面在表层产生点状剥落，逐步发展到大片剥落，称之为疲劳剥落。疲劳 剥落往往是滚动轴承失效的主要原因，一般所说的轴承寿命就是指轴承的疲劳寿命。
智能化滚动轴承状态监测
智能化滚动轴承状态监测1 绪论1.1 滚动轴承状态检测的意义滚动轴承是各种旋转机械中应用最广泛的一种通用机械部件，它们在旋转机械中起着关键的作用，旋转机械的故障30%是由滚动轴承故障引起的，其运行状态的正常与否直接影响到整台机器的性能(包括精度、可靠性及寿命等)[1]。
据统计，仅有10-20%的轴承达到他们的设计寿命。
大量实验证明，滚动轴承的疲劳寿命是非常离散。
在相同的实验条件下，结构设计、材质、加工方法相同的同一批轴承，其最长与最短的寿命可能相差数十倍甚至上百倍。
由于轴承的这个特点，在实际使用中就出现这样一种情况，即有的轴承己大大超过设计寿命而依然完好地工作，而有的轴承远未达到设计寿命就出现各种故障。
所以，如果按照设计寿命对轴承进行定期维修，一方面，会对超过设计寿命而完好工作的轴承拆下来作为报废处理，造成浪费;另一方面，未达到设计寿命而出现故障的轴承或者坚持到定期维修时拆下来报废，使得机器在轴承出现故障后和拆下前这段时间内工作精度下降，或者未到维修时间就出现严重故障，导致整个机器出现严重事故[2]。
由此看来，对重要用途的轴承来说定时维修是很不科学的，要进行工况监视与故障诊断，改传统的定时维修为视情维修或预知维修，这不但可以防止机械工作精度下降，减少或杜绝事故发生，而且可以最大限度地发挥轴承的工作潜力，节约开支，具有重要意义。
1.2 滚动轴承诊断技术的发展与现状1.2.1 国外轴承诊断技术的发展早期人们对滚动轴承的故障诊断是依靠听觉来加以判断，虽然熟练的技术员工能觉察到轴承刚发生的疲劳剥落与损伤部位，但受主观因素的影响较大。
真正意义上的滚动轴承的监测与诊断开始于20世纪60年代[3]，人们用振动位移、速度或加速度的均方根值或峰值来判断轴承有无故障，这样减少了对人为经验的依赖。
几十年来，故障诊断技术不断吸收各门科学技术发展的新成果，诊断的理论与应用有了很大的发展和进步，它涉及系统论、控制论、信息论、检测与估计理论、计算机科学等多方面的内容，成为集许多相关专业学科于一体的新兴交叉学科。
滚动轴承状态的监测及故障识别方法
大 ， 出现异音 ， 动增大 的变化较缓慢 ， 时 ， 承幅 有时 但振 此 轴
度值开始突然达 到一定数值 。此时轴承 即表现为初期 故障。
这时 ， 就要对该轴承进行严密监测 ， 密切注意其变化 。此后 ，
运转 ， 采取必要的防范措施 。使 用热 感器可 以随时监测 轴承 的工作温度 ， 并实现 温度超过 规定值 时 自动报警 或停止 ， 防
１Байду номын сангаас ６
农 机 使 用 与 维 修
２０ ０８年第 ６期
滚 动 轴 承 状 态 的 监 测 及 故 障识 别 方 法
安 技 业 差陈浩 萎 国 工 学 大 徽Ｎ － 科 院…一
１滚 动 轴 承 状 态 的 监 测 ．
音与非轴 承声音 ， 为此 ， 应尽量 由专人来 进行这项 工作 。用
温度定单位显示 。正常情况 下 ， 轴承在 刚润滑或再润滑过后 会有 自然 的温度上升 ， 并且持续一或二天 。 通过润滑剂的状态进行识别 。对润滑剂 采样分析 ， 通过 其污浊程 度是否混 入异 物或金属 粉末 等进行 判断。该方法
不通过拆卸检查 即可识 别或预 测运转 中的轴 承有无 故
障， 这对提高生产率和经济性是 十分 重要的。运转 中的检查
项 目有轴承的滚动声 、 振动 、 温度的状态等 ， 主要 的识别 方法
如下 ：
通过轴 承的滚动声 音进行 识别。通过声 音进 行识别 需 要有丰富的经验 ， 必须经过充分的训练达 到能够识 别轴 承声
听音器或听音棒贴在外壳上可清楚地 听到轴承 的声音 ， 也可 采用测声器对运转中的轴 承的滚动声大 小及音质进行检查 ，
滚 动轴承的应用非常广泛 ， 其状态好坏 直接关系 到机械 车辆 的运行状态 。因此 ， 实际生产 中做好 滚动轴承状态监 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)。
轴承故障诊断1.1、轴承状态检测的意义：伴随着科学技术的发展，现代化设备日趋大型化、自动化和连续化。
设备一旦发生故障将给产品的质量、乃至人员的生命安全构成严重威胁，因此，企业在设备的维护中花费了大笔费用，以保证其安全运行，如今，保证设备的正常运行，最大限度的减少费用，保证安全，设备故障诊断无疑成为解决这些问题的重要手段。
例如滚动轴承，作为机电系统中非常重要的零件，同时又是极易受损的零件，而滚动轴承的状态对工业生产、交通运输等很多方面有很多影响。
对于工业生产来说，如果能随时地检测到轴承的工作状态，并进行恰当的维护，将会给生产带来更大的经济效益。
然而对于交通运输来说，只有保证列车滚动轴承工作在良好的状态下，才能保证旅客的安全，以及运输系统的正常运作。
据统计，在使用滚动轴承的大多旋转机械中，约30%的机械故障是由滚动轴承造成的。
文献①，由于设计不当和安装工艺不好或者是使用状态不佳，或突发载荷的影响，使轴承在正常运行一段时间之后，产生缺陷，并且在继续运行中进一步恶化，使轴承的运行状态发生变化。
因此，对轴承故障的诊断就显得十分重要。
1.2、轴承状态检测常用方法：1.2.1、温度法：用温度传感器检测轴承座或轴承外的箱体处的温度，来判断轴承的工作状态是否正常。
温度检测对轴承载荷、速度和润滑情况的变化比较敏感，尤其对润滑不良而引起的轴承过热现象很敏感。
但是，当轴承出现早期点蚀、剥落、轻微磨损等比较微小的故障时，温度检测就无能为力了。
因此，这一方法有其明显的不足。
文献①1.2.2、油样分析法：从轴承所使用的润滑油中取出油样，通过收集和分析油样中金属颗粒的大小和形状来判断轴承的受损情况。
但是这种方法只适用于润滑有轴承，对于脂润滑来说，就不适用了。
同时，可能受到从外围部件上掉下的颗粒的影响，使判断结果的准确性受影响。
这种方法也有其局限性。
文献①1.2．3、振动信号分析法：通过安装在轴承底座或箱体恰当位置上的振动传感器检测轴承的振动信号，并对采集到的信号进行分析和处理来判断轴承的状态，振动法具有如下优点：一、适用于各种类型，各种工况的轴承。
二、可以有效地诊断出早期的故障。
三、信号的测试及处理简单。
四、诊断结果十分可靠等。
因此在实际中得到了广泛应用。
文献④1．3、国内外研究的概况及趋势：文献①目前，国内外开发生产的各种滚动轴承的诊断仪器和系统大多都是根据振动法制成的。
滚动轴承故障诊断始于上世纪六十年代，随后，各种方法不断发展，不断完善，大致经历了如下几个阶段：第一个阶段：利用通用的频谱分析仪诊断轴承故障。
第二个阶段：用冲击脉冲技术诊断轴承故障。
第三个阶段：用共振解调技术诊断轴承故障。
第四个阶段：开发以微机为中心的监视与故障诊断系统。
目前的研发属于第四个阶段。
并且随着信号检测技术、计算机技术、数字信号处理技术、人工智能的发展，故障诊断已经成为融合了数学、物理、力学等自然科学，以及计算机技术、数字信号处理技术、人工智能技术相结合的综合学科。
当今故障诊断的趋势是传感器的精密化、多维化，诊断理论、诊断模型的多元化，诊断技术的智能化。
1.4、常用分析方法：1.4.1、时域波形分析法分析过程包括时域波形、调幅解调、相位解调等。
文献⑤1.4.2、频域分析法主要通过对功率谱、细化谱的分析。
文献①1.4.3、时频域分析方法该方法主要包括：包括短时FFT，维格纳分布，小波分析等; 文献③1.4.4、双谱分析法该方法可以敏感地检测滚动轴承的工作状态，并且利用特征图谱可以有效识别轴承的不同故障。
文献④1.4.5、基于EMD的时频分析法EMD是一种具有自适应能力的平稳化处理方法，是目前提取数据序列趋势或均值的最好方法，广泛应用于地震监测、故障诊断等研究领域。
文献⑤1.5、运行状态识别：1.5.1、支持向量机——该方法利用有限的故障样本,以结构风险最小原理为基础,建立滚动轴承早期故障特征与其运行状态之间的对应函数关系,即故障分类器,并以该函数的输出判定轴承的早期故障类型。
实验结果表明,小波包分析能够有效的提取滚动轴承中微弱的早期故障特征,支持向量机可以对这些早期故障特征进行准确识别。
文献②1.5.2、连续隐Markov模型(HMM)——小波-HMM可以在变转速变载荷工况下以及未知转速情况下对滚动轴承的各种故障有效地进行诊断。
文献⑦1.5.3、BP、RBF和PNN神经网络模型——利用声发射在线检测系统对故障滚动轴承进行测试,提取不同故障轴承声发射信号特征参量作为神经网络输入向量,并分别用3种神经网络对滚动轴承故障模式进行识别.结果表明,采用BP神经网络的声发射信号识别技术的正确识别率略低于其余2种的识别率;RBF和PNN 网络的分类结果相同,且在分类能力和学习速度方面均优于BP网络.。
其中，BP 神经网络是前向网络的核心部分，体现了神经网络中最精华、最核心、最完美的内容。
文献①BP神经网络是由Rumelhart等在1986年提出的一种监督学习的人工神经网络，它采用误差反向传播训练算法（Back-Probagation简称BP算法）来进行，系统地解决了多层网络中隐含单元连接权的学习问题。
目前，在人工神经网络的实际应用中，绝大部分神经网络采取的是BP神经网络和其变化形式，也是前向网络的核心，体现了神经网络最精华的部分。
文献②中，作者从包罗信号的时域和频域信号中提取的反映滚动轴承故障的特征信息作为BP神经网络的输入，用BP算法对该网络进行训练，很好地实现了对滚动轴承的故障诊断。
文献⑤1.5.3.1：人工神经网络吸取了生物神经网络的许多优点，因而有其固有的优点：高度的并行性；（一）、高度的非线性；（二）、良好的容错性与联想记忆功能；（三）、很强的自学习能力和对环境的适应能力。
1．5.3.2：神经元模型如下：文献⑧文献⑧神经元模型是神经元的基本处理单元，它一般是一个多输入、单输出的非线性元件。
文献①1.5.3.3:BP网络包括三种网络层，分别是输入层、隐层和输出层，其中隐层可以是多层，也可以是单层。
神经网络层次结构如下：文献⑧文献⑧1.6、文献综述总结：1.6.1、轴承状态检测常用方法有：油样分析法、温度法、振动信号分析法等。
其中最为广泛应用的是振动信号分析法。
1.6.2、国内外研究的概况及趋势大体上为：以及计算机技术、数字信号处理技术、人工智能技术相结合的综合学科。
以及传感器的精密化、多维化，诊断理论、诊断模型的多元化，诊断技术的智能化。
1.6.3、常用分析方法：时域波形分析法、频域分析法、时频域分析方法、双谱分析法、基于EMD的时频分析法。
其中时频分析法应用尤为广泛。
1.6.4、常用的运行状态识别方法：支持向量机、连续隐Markov模型(HMM)、BP、RBF和PNN神经网络模型。
其中神经网络模型的应用尤为广泛，而神经网络的算法中，后向传播BP 神经网络的应用最为广泛。
2、轴承状态监测装置2.1、传感器的选择2.1、振动传感器的型号、性能选择，是振动传感器获得精确测量结果的前提。
振动传感器的选型受很多因素影响，其中振动传感器的灵敏度和振动传感器的频率范围，是选型中的重点，决定了振动传感器在实际测量中的表现水平。
振动传感器的频率范围是指以指定频率点的灵敏度作为基准，在一定灵敏度偏差内的频率范围。
振动传感器在选择时，如果选择灵敏度高的，则高频截止频率较低、振动传感器质量重，反之振动传感器的体积小、重量轻，但灵敏度相对较低。
振动传感器的测量频率范围除了和灵敏度相关之外，还取决于振动传感器本身的安装方式。
振动传感器的使用频率范围必须配合适当的安装方式，否则过度追求振动传感器的测量频率范围，会导致振动传感器的安装困难，也会增加振动传感器的购买成本。
振动传感器测量频率范围和灵敏度是用于估量测量结果精确程度的指标，反过来说，了解所要测量的振动量，对振动传感器这两个指标的选择也有很强的指导性意义，因此在选择振动传感器前，可以先对振动量进行估计，而后选择合适的振动传感器指标。
振动传感器的选型，在估计振动量，并确定最大和最小的测量值的前提下，应考虑振动传感器的外在尺寸和频率范围条件，而后确定振动传感器的灵敏度，当然在以上条件许可的情况下，灵敏度的选择是越高越好。
2.2、振动传感器的分类：2.2.1、振动传感器按测量的机械量不同，能分为：振动位移传感器、振动速度传感器、振动加速度传感器、振动力传感器、振动应变传感器、扭振传感器和扭矩传感器等。
2.2.2、振动传感器按机电变换原理的不同，分为：电压式振动传感器、压电式振动传感器、电涡流式振动传感器、电感式振动传感器、电容式振动传感器、电阻式振动传感器、光电式振动传感器等。
2.2.3、首选压电传感器，因为压电式传感器因其频域宽、动态范围大、可靠性高、使用方便等，应用十分广泛。
压电加速度传感器是利用压电晶体的正压店效应。
其原理是某些晶体在一定方向外力的作用下或承受变形时，它的晶体表面或极化表面将会有电荷产生，这种从机械能到电能的变换叫压电效应。
压电式传感器测试的示意图如下：前置放大器的作用：一是放大压电元件的微弱信号；二是高阻抗输入变为低阻抗输出。
前置放大器的类型：电压放大器电荷放大器2.2.4、影响压电式传感器选择的主要因素：2.2.4.1、灵敏度。
压电传感器的灵敏度分为电荷灵敏度Sq和电压灵敏度Sv。
2.2.4.2、频率。
一、低频振动，振动传感器的频段可选为：0.1kHZ —1kHZ 。
二、中频段振动：机械设备中的振动一般是中频段振动，可根据设备振动及设备刚度等综合估算振动频率，大致范围为：0.5Khz —5kHZ 。
三、高频振动。
由碰撞和冲击引起。
2.2.4.3、由计算公式确定轴承故障时的大致特征频率的一般公式：滚动体缺陷：⎪⎪⎭⎫ ⎝⎛--=α222cos 12d D f f d D f r a b 内滚道缺陷：⎪⎭⎫ ⎝⎛--=αcos 12d D f f Z f r a i 外滚道缺陷：⎪⎭⎫ ⎝⎛-+=αcos 12o d D f f Z f r a 当外圈滚动内圈静止时：r f =0；当内圈滚动而外圈静止时：a f =0.其中：Z 为滚动体数目；α为触角；b f 为滚动体公转频率；r f 为内环的旋转频率；o f 为外环的旋转频率; d 为滚动体直径。
当内圈静止，再选定Z 、α就可确定内、外圈故障时的特征频率。
进一步确定相应频段的压电传感器。
2.2.5、传感器具体型号选择在本系统中，传感器选用的是CA-YD-117压电式陶瓷片2.3.1、电荷放大器基本电路如下：2.3.2、电压放大器：高输入阻抗的比例放大器()20im /1w w QwRU +=iC C C C Q ++≈a电压放大器输出电压与电容C = C a + C i +C c 密切相关，连接电缆的长度与形状变化，会给测量带来不稳定因素，影响传感器的灵敏度。