轴承运行状态监测与故障诊断方法研究【开题报告】
基于虚拟仪器技术的滚动轴承故障检测系统的研究的开题报告
基于虚拟仪器技术的滚动轴承故障检测系统的研究的开题报告一、选题背景及研究意义滚动轴承是机械设备中常见的关键部件之一，其故障对于设备的稳定运行会产生重大的影响。
因此，在实际生产中，对滚动轴承的故障检测具有十分重要的意义。
传统的滚动轴承故障检测方法需要耗费大量的时间和人力，且数据采集精度和实时性较差。
而虚拟仪器技术的出现，为滚动轴承故障检测带来了新的思路和技术手段，可以有效地提高故障检测的精度和效率。
因此，本课题旨在基于虚拟仪器技术，设计并开发一套滚动轴承故障检测系统，能够对滚动轴承进行快速准确的故障检测，从而实现设备的安全稳定运行。
二、研究内容及研究方法1.研究内容（1）识别滚动轴承的故障类型。
通过虚拟仪器技术获取滚动轴承的振动信号，并利用信号处理技术进行故障特征提取和分析，实现对滚动轴承的故障类型识别。
（2）设计并开发系统。
基于虚拟仪器技术，设计并开发一套滚动轴承故障检测系统。
该系统包括数据采集、信号处理、特征提取、故障诊断等模块，能够快速准确地识别滚动轴承的故障类型，提高检测精度和效率。
2.研究方法本课题采用以下方法：（1）理论研究：对滚动轴承的工作原理和故障诊断技术进行深入研究。
（2）实验研究：通过实验采集不同工况下滚动轴承的振动信号，并进行信号处理和特征提取，分析故障特征和识别故障类型。
（3）系统设计与开发：基于虚拟仪器技术，设计并开发一套滚动轴承故障检测系统，实现全自动化、快速准确地识别滚动轴承的故障类型。
三、预期成果1.滚动轴承故障检测方法的优化，提高检测精度和效率。
2.设计并开发一套滚动轴承故障检测系统，实现全自动化、快速准确地识别滚动轴承的故障类型。
四、研究计划及进度安排1.研究计划：（1）前期准备：2021年5月～2021年6月，主要完成背景和意义的调研和分析，细化选题。
（2）理论研究和实验研究：2021年6月～2022年3月，主要完成滚动轴承的工作原理和故障诊断技术的理论研究，并进行实验研究，采集滚动轴承的振动信号，进行信号处理和特征提取。
轴承的开题报告
轴承的开题报告轴承的开题报告一、引言轴承作为机械设备中重要的零部件，承载着机械运动的重要任务。
其功能不仅仅是支撑和减少摩擦，还能保证机械设备的正常运转和寿命。
因此，轴承的研究和开发对于提高机械设备的性能和可靠性至关重要。
本文将从轴承的定义、分类、工作原理、应用领域以及未来发展方向等方面进行探讨。
二、轴承的定义和分类轴承是一种能够支撑旋转或摆动机械零件的装置，其主要功能是减少摩擦和传递载荷。
根据轴承的结构和工作原理的不同，可以将轴承分为滚动轴承和滑动轴承两大类。
滚动轴承通过滚动体（如球体、圆柱体、锥体等）在内外圈之间滚动，减少了摩擦，提高了承载能力；而滑动轴承则是通过润滑油膜在内外圈之间形成滑动，减少了摩擦和磨损。
三、轴承的工作原理轴承的工作原理基于滚动或滑动的方式，通过减少接触面上的摩擦力来支撑和传递载荷。
在滚动轴承中，滚动体在内外圈之间滚动，通过滚动接触来支撑载荷；而在滑动轴承中，内外圈之间形成了润滑油膜，通过滑动接触来支撑载荷。
轴承的工作过程中，还需要考虑润滑、密封、冷却等问题，以确保轴承的正常运转。
四、轴承的应用领域轴承广泛应用于各个行业的机械设备中，如汽车、航空航天、电力、冶金、石油化工等。
在汽车领域，轴承被广泛应用于发动机、变速器、转向系统等部位，保证了汽车的安全和可靠性。
在航空航天领域，轴承被应用于飞机发动机、航空器结构等关键部位，确保了航空器的正常运行。
在电力领域，轴承被应用于发电机、水轮机等设备，保证了电力的稳定供应。
五、轴承的未来发展方向随着科技的不断进步，轴承的发展也呈现出一些新的趋势。
首先，轴承材料的改进将是未来的发展方向之一。
新材料的应用可以提高轴承的耐磨性、耐腐蚀性和耐高温性能，进一步提高轴承的可靠性和使用寿命。
其次，轴承的智能化发展也是未来的趋势之一。
通过传感器和数据处理技术的应用，可以实现对轴承状态的实时监测和预测，提前发现故障并进行维修，从而提高设备的可靠性和运行效率。
基于多正弦窗谱估计的电机轴承故障诊断方法的开题报告
基于多正弦窗谱估计的电机轴承故障诊断方法的开
题报告
一、选题背景
电机轴承是机械设备中承受轴向和径向负荷的部件，一旦出现故障，将直接影响整个机械设备的运行和寿命。
因此，电机轴承故障诊断已成
为机械故障诊断领域研究的热点。
传统的电机轴承故障诊断方法主要基于振动信号分析，但是这种方
法存在复杂、低效、不稳定等问题。
随着科技发展，信号处理技术不断
提高，更为先进的方法逐渐被应用于电机轴承故障诊断领域。
多正弦窗
谱估计方法是一种先进的信号处理技术，能够有效地提取故障信号中的
信息，因此在电机轴承故障诊断方面具有一定的应用前景。
二、研究目的
本研究旨在探索基于多正弦窗谱估计的电机轴承故障诊断方法，提
高电机轴承故障的检测和诊断精度，为电机轴承故障的预防及维护提供
科学依据。
三、研究内容
1. 综述电机轴承故障诊断领域的研究现状和发展趋势，分析传统方
法存在的问题和局限性。
2. 基于多正弦窗谱估计方法，建立电机轴承故障检测模型，对电机
轴承振动信号进行处理和分析，提取有用的信息。
3. 对比多种算法，分析其故障诊断精度、计算速度和可操作性等方
面的优缺点。
4. 验证和评估基于多正弦窗谱估计的电机轴承故障诊断方法的效果
和优越性，并提出进一步的改进和优化措施。
四、研究意义
本研究通过引入多正弦窗谱估计方法，改进了传统的电机轴承故障诊断方法，提高了故障诊断的精度和可靠性，同时简化了算法流程，减少了计算时间和成本。
对于电机轴承故障的预防和维护具有一定的指导意义，并且对信号处理技术在机械故障诊断领域的应用也具有一定的推动作用。
滚动轴承故障诊断系统优化的开题报告
滚动轴承故障诊断系统优化的开题报告一、选题背景滚动轴承广泛应用于各个领域，如工业设备、机床、汽车等。
但在运行过程中，由于多种因素的影响，滚动轴承易受损坏，可能导致系统失效。
同时，由于其他因素的干扰，滚动轴承的损坏也不容易直接发现。
因此，开发一种滚动轴承故障诊断系统非常必要。
二、研究内容本研究将以滚动轴承的损坏状态为切入点，开发一种基于机器学习的滚动轴承故障诊断系统，通过数据采集和分析，准确快速的识别出轴承的损坏状态。
在数据采集方面，将采用传感器获取滚动轴承在运行时的振动、声响等数据。
在数据分析方面，将利用神经网络、遗传算法等机器学习技术，对采集到的数据进行分析处理，不断对系统进行优化调整。
三、研究目标本研究的主要目标是开发出一种准确快速的滚动轴承故障诊断系统。
具体目标如下：1.建立准确的滚动轴承损坏的模型和数据处理模型，能够根据模型和处理模型来区分滚动轴承的不同状态。
2.归纳滚动轴承在不同损坏状态下的关键振动和声响信息，在数据采集方面加以考虑，并对信息进行有效的提取和分析。
3.对所选用的神经网络或其他机器学习方法进行优化和改进，到达更好的预测精度和诊断结果。
4.在实验室内进行较为完整、准确的试验，以验证所研发系统的可靠性和实际效果。
四、研究方法本研究将采用如下研究方法：1.研究相关技术文献，掌握滚动轴承故障诊断领域的发展现状、研究思路和关键问题。
2.进行实验数据的采集和处理，利用传感器等设备获得滚动轴承在不同状态下的振动、声响、温度等数据，采集到的数据包括不同负荷、不同转速、不同环境温度下的数据。
3.通过对采集到的数据进行处理，提取振动、声响等特征，建立滚动轴承故障的模型，对模型进行理论分析和实验优化，并对不同故障模型进行合并考虑，充分识别滚动轴承的损坏状态。
4.采用不同的机器学习算法，如神经网络、遗传算法、逻辑回归等，进行滚动轴承故障诊断系统的开发与优化。
五、预期结果通过以上的研究方法和过程，本研究预计能够取得如下结果：1.建立出一种基于机器学习的滚动轴承故障诊断系统，能够在精准和快速的识别出轴承的损坏状态。
滑动轴承状态监测与故障诊断的实验研究
世君器曲Ｉ吝怒论坛２０５ＷＬＤＬＷＡＹｏＲＲＡＩＥｘｐｅｒｉｍｅｎｔａｌＳｔｕｄｉｅｓｏｎＭｏｎｉｔｏｒｉｎｇａｎｄＴｒｏｕｂｌｅＤｉａｇｎｏｓｉｓｏｆＳｌｉｄｉｎｇＢｅａｒｉｎｇＱＩＮＰｉｌｌｇ，ＺＨＡＮＧＱｉ．，ＹＡＮＢｉｎｇ，ＳＯＮＧＳｈａｏｎａｎＡ呦删：Ｉｌ拓日啪￡蛆ｌｏｃｃｕｒｒｅｎｃｅ。
ｆｔｈｅ曲ｄｉｎｇｂｅ商ｎｇｔｒ硼日鹄０ｆｔｈｅｄｋ！ｓｅｌｉｏｅｏｏｌｏｕｖｅｊ玎ｔｈｅｐｒｏｄｕｃｆｉ∞ｐｒａｃｆｉ。
ｅ，ｗｈｉｃｈｗｉｌｌｈａｖｅｄｉｒｅｃｔｉｌｌｌｐａｃｔ叩ｔｈｅ明ｆｅｔｙａｎｄ枷捌ｔｙ０ｆｔｈｅｈ幽ｃａｎｄｔｒａｎｓｐｏｒｔａｔｉｏｎ．Ｉｔ诂ｔｈｅｍｆｏＩｅｏｆｉｍｐｒｔａｎｔ８ｉ础ｃａｒｍｔｏＣ８１Ｔｙｏｕｔｔｈｅｍｏｎｉｔ咖ａｎｄ删ｅ击８掣嘲ｓｆｏｒｔｈｅ札咖０ｆｔｈｅｓＨｄｉｒＩｇｂｅ“ＩＩｇ．ＴｈｅａｒｔｉｃｌｅｐＩ｜恒ｆｏｒ－ｂｅ晡Ｉｌｇ船ｔｈｅ蛐ｗａｒｄｔｈｅｉｄｅａ０ｆｔａｋｉｎｇｔｈｅ胁越ｔｈ豇ｅｉｓｏｃ（？ｔｌｒｌ靴ｅ０ｆｃｏｎｔａｃｔ缸甜０ｎｋｔｗ傥ｎｔｈｅａｘｌｅａｎｄｔｈｅｔｏｊｕｄ舻ｔｈｅｂｅａｒｉｎｇｔｒｏｕｂｌｅａｎｄｅｍｆｌｏｙｉＩｌｇｔｈｅｍｅｔｈｏｄ０ｆ缸ｍｌｌ】址ｅｄｈｏｕｂｋｔｕｍｉｒＩｇｔｈｅｍｒｍａｌｌｕｂＩｉｃａｂ伽ｓｔａｔｅｇｒａｄｕ一曲ｔ０ｔｈｅ蛐０ｆｄｒｙ箭ｃｆｉｏｎ０ｎｔｈｅｓ谢ｃ—ｌｏａｄｔｅｓｔｉｎｇｓｔａｎｄ．ｈｉｓｆｏｕｎｄｆｒｏｍｔｈｅａｎａｌｙｓｇｏｆｔｈｅｍｕｎｄ西酗ａｌｂｅｆｏ挖ｔｈａｔ岫ｍｏｍｔ咄ａｎｄｔ］ｏｕｂｌｅｄｉ呼１０ｓｉｓ０ｆｔｈｅｓｔａｋｈｔｌｌｅｓｂｄｉｌｌｇｂｅ日ｒｉｒＩｇｃａｒｒｉｅｄｏｕｔａｎｄａｆｔｅｒｔｈｅ以呻出ｃｕｔ—ｏｆｆ２咖ｄｔｈｅｋｍ一啦ｗｉⅡ姓ｅ忙ｂｅｎｅｒｂ，，ｍｅａｒｚｓ０ｆｔｈｅ咖ｎ垃ｎｇ瑚ｆｅ。
ｆ出ｅｓｏｕｎｄ日诤１ａＩｉｎｄｄ啪ｌａｎｄｔｌｌｅｃ０删ｌｌｇｒｅｓｅｔｓＴｈｅｅｘｐｅｒｉｍｅｎｔａｌｓｔｕ＆∞ａｒｅｔｈｕｓｃｏＭｕｅｔｚｄ．滑动轴承状态监测与故障诊断的实验研究秦萍，张勤，闫兵，宋绍南摘要：内燃机车柴油机滑动轴承故障在生产实践中经常发生，直接影响交通运输的安全性和可靠性，因此对滑动轴承进行状态监测和敌障诊断，具有重要的意义。
基于声音信号的轴承故障诊断方法研究的开题报告
基于声音信号的轴承故障诊断方法研究的开题报告一、研究背景及现状轴承是旋转机械设备的关键部件，其运行状态直接影响着设备的安全性、可靠性和运行效率。
因此，轴承故障的准确诊断和预测显得尤为重要。
目前，轴承故障的诊断方法主要包括振动信号分析、温度信号分析、电流信号分析等。
但这些方法存在着诊断效率低、信号干扰等问题。
而基于声音信号的轴承故障诊断方法则具有诊断效率高、信号清晰等优点，因此备受关注并被广泛研究。
二、研究目的和意义本研究旨在通过研究基于声音信号的轴承故障诊断方法，建立一套高效、准确的轴承故障检测和诊断体系，为轴承运行状态的实时监测提供技术支持。
同时，通过对声音信号的分析和处理，还能更好地理解轴承故障的本质和原因，为轴承的设计和制造提供有价值的参考。
三、研究内容（1）对轴承在不同工况下的声音信号进行采集和预处理，获取有效的原始数据。
（2）通过声音信号特征提取和分析方法，获取轴承故障的相关特征。
（3）建立基于机器学习算法的轴承故障诊断模型，实现对轴承故障的自动识别和分类。
四、研究方法本研究将采用实验室模拟和模拟数据仿真相结合的方法，对轴承在不同工况下的声音信号进行采集和预处理。
并利用机器学习算法，对声音信号进行特征提取和分析，建立轴承故障识别模型。
最后，针对不同的实际应用场景，对所建立的模型进行验证和优化。
五、研究预期结果本研究的预期结果包括：（1）建立一套基于声音信号的轴承故障检测和诊断体系，实现轴承故障的自动识别和分类。
（2）找到与轴承故障相关的声音信号特征，为轴承故障的预测和诊断提供新的思路和方法。
（3）验证所建立的轴承故障诊断模型的实际效果和准确性，提高轴承运行状态的实时监测水平。
六、研究计划本研究计划于2021年9月开始，时间预计为两年。
具体研究计划如下：第一年：1.1 系统研究基于声音信号的轴承故障检测和诊断方法，深入了解声音信号特征提取和处理方法的理论基础和实际应用。
1.2 收集和整理轴承故障的声音信号数据，并建立数据处理和分析的算法流程。
基于音频信号的滚动轴承智能故障诊断方法研究的开题报告
基于音频信号的滚动轴承智能故障诊断方法研究的开题报告【摘要】滚动轴承作为机械装置中不可或缺的部分，一旦发生故障，会对整个系统的运行产生重大影响。
因此，如何准确快速地诊断滚动轴承故障成为目前学术界和工业界广泛关注的问题。
本文基于音频信号分析技术，提出了一种滚动轴承智能故障诊断方法，以期为滚动轴承故障诊断提供新的思路和手段。
本文首先介绍滚动轴承的基本结构和运行原理，然后简要阐述了常见的滚动轴承故障模式。
接着，阐述了基于信号处理的滚动轴承故障诊断方法的基本流程和关键技术，包括数据采集、信号处理、特征提取和故障分类。
其中，信号处理和特征提取是核心技术，本文将重点介绍短时傅里叶变换、小波分析等信号处理技术和频域、时域等特征提取方法。
最后，对该方法未来的研究方向和应用前景进行了展望。
本文提出的故障诊断方法具有高准确性、高鲁棒性等优点，可以在工业实践中得到广泛应用。
同时，该方法也有很大的研究价值，可以为滚动轴承故障预测和寿命评估等问题提供理论支持和实践指导。
【关键词】滚动轴承；智能故障诊断；音频信号；信号处理；特征提取【中文摘要】滚动轴承是机械设备中的重要组成部分，它的故障会对整个系统的运行产生重要影响。
因此，如何准确快速地诊断滚动轴承故障成为目前学术界和工业界广泛关注的问题。
本文提出了一种基于音频信号的滚动轴承智能故障诊断方法。
该方法具有高准确性、高鲁棒性等优点，可在工业实践中得到广泛应用。
本文阐述了该方法的基本流程和关键技术，包括数据采集、信号处理、特征提取和故障分类。
同时，对该方法的未来研究方向和应用前景进行了展望。
【关键词】滚动轴承；智能故障诊断；音频信号；信号处理；特征提取。
基于EMD的滚动轴承故障诊断方法研究的开题报告
基于EMD的滚动轴承故障诊断方法研究的开题报告一、选题背景滚动轴承是工业领域中常用的重要零件，其功能是支撑机械的运转，并为运动提供支撑和转动。
正常运转下的滚动轴承，具有高效、稳定、可耐久使用的特点，是工业生产中必不可少的组成部分。
然而，受到使用环境、工艺制造等因素影响，滚动轴承容易发生故障，影响机械设备的正常运转。
传统的滚动轴承故障诊断主要采用振动信号分析，但该方法存在着提取有效信号、降低环境噪声等问题，同时存在着成本昂贵、需要具有专业知识的缺点。
近年来，随着EMD（经验模态分解）算法的发展，其在信号分析方面逐渐得到应用。
因此，本文以滚动轴承为对象，探索基于EMD的滚动轴承故障诊断方法，提高滚动轴承故障的判定准确度和效率，为工业生产提供便利。
二、研究目的本研究旨在：（1）探究基于EMD的滚动轴承故障诊断方法，分析其原理及应用特点。
（2）选取相关参数进行滚动轴承故障诊断，并通过算法模型建立故障判定模型，实现故障预警和预测。
（3）预防滚动轴承故障的发生，提高其使用寿命与可靠性。
三、研究内容本文将围绕以下几个方面进行研究：（1）EMD理论的介绍，包括EMD基本原理、模态函数获取方法、以及模态函数重构方法等。
（2）滚动轴承故障诊断相关信号参数的获取与分析，包括振动信号、电流信号等。
（3）基于EMD的滚动轴承故障诊断方法的建立，包括故障信号的特征提取及处理、分类器的选择、模型的训练和优化等。
（4）验证所建立的方法的正确性和有效性，通过实验数据进行验证。
四、研究意义随着工业技术的不断进步和机械设备的不断完善，滚动轴承作为关键部件之一，其在工业制造中的重要性日益凸显。
探索基于EMD的滚动轴承故障诊断方法，能够更好地提高滚动轴承故障识别的效率和准确性，为预防设备事故、提高设备运转率和节能减排等方面都具有重要的意义。
同时，基于EMD的故障诊断方法也有着更广泛的应用前景，可以推广到其他领域的机械设备故障诊断领域。
五、研究方法本文研究方法主要采用实验分析法和计算机模拟法。
- 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)。
毕业设计开题报告测控技术与仪器轴承运行状态监测与故障诊断方法研究一、选题的背景、意义装备制造业是为国民经济和国防建设提供技术的重要产业，而振兴装备制造业的重中之重是提高装备的创新和产品的国产化，轴承产品作为装备制造业中重大装备的基础零件，也必须实现其自主创新和国产化。
从文献所知，国务院在《关于加快振兴装备制造业若干意见》中提出,选择16个对国家经济和国防建设有重要影响的关键领域，以重大装备为重点，尽快扩大自主装备的市场占有率[1]。
而在这16个关键领域中的重大技术装备中,绝大部分都要装用轴承，并且需要高技术的轴承来保证其精度、性能、寿命和可靠性。
据数据显示,至2010年，这16个关键领域每年要配套轴承约 550.5万套，产值约 116.5亿元。
滚动轴承作为机械设备中重要的零件，是机械设备的重要故障源之一。
统计表明：在使用滚动轴承的机械中，大概有 30%的机械故障是由滚动轴承引起的。
在感应电机故障中，滚动轴承故障约占电机故障的40%左右,而齿轮箱各类故障中的轴承故障率仅次于齿轮占20%。
有关资料表明，我国现有的机车用的滚动轴承，每年约40%要经过下车检验，其中的33%左右被更换。
因此，改定期维修为状态监控维修，研究机车轴承故障监测和诊断，有重要的经济效益和实用价值[2]。
据统计，对机械设备应用状态监测与故障诊断技术，事故发生率可降低75%，维修费用可减少25～50%。
滚动轴承的状态监测与故障诊断技术在了解轴承的性能状态和及时发现潜在故障等方面起着至关重要的作用，并且可以有效提高机械设备的运行管理水平及维修效能，具有显著的经济效益。
二、相关研究的最新成果及动态现在，我国在滚动轴承监测与故障诊断技术方面的研究经历了2个重要阶段:从70年代末到80年代初，主要吸收国外先进技术，并对一些故障原理和诊断方法展开研究；从80年代初期到现在，全面开展了对滚动轴承的故障诊断新理论及其应用的研究工作，引入了先进技术，大大提高了诊断系统可实施性，并取得了丰硕成果[1]。
对滚动轴承故障监测和诊断的理论与方法的研究一直是研究的重点。
根据故障监测和诊断方法原理的不同，滚动轴承的故障诊断技术主要为振动诊断技术、油液诊断技术、热诊断技术、声学诊断技术、油膜电阻诊断技术、光纤诊断技术等[1],其中振动诊断技术、铁谱诊断技术、热诊断(热成像诊断和温度诊断)技术应用最为广泛。
综合故障诊断与处理主要为群体集的综合、方法集的综合、信息集的综合、评价集的综合、趋势集的综合、优化集的综合，涵盖了信息融合、群体决策、确定性推理、优化和诊断方法等理论与方法[3]。
在众多的轴承故障诊断方法中，振动检测方法是应用最广泛的一种方法，主要是因为振动信号提供的故障信息多面对早期故障轴承具有较强的检测能力。
但其它部件正常的振动信号常常与轴承故障信息混合在一起，给检测带来了一定的困难。
随着检测手段的提高和信号处理技术的发展，振动检测方法已被广大科技工作者利用，并取得一系列的成果[6]。
三、课题的研究内容及拟采取的研究方法（技术路线）、研究难点及预期达到的目标当滚动轴承出现局部损伤类故障后，振动信号中包含了以故障特征频率为周期的周期性冲击成分.其特点就是在平稳振动的基础上，每隔一定时间就出现一个冲击成分。
滚动轴承所出现的故障不同，振动信号中所包含的冲击成分的特征频率也不相同。
滚动轴承典型故障的特征频率可以根据公式来计算。
这样，只要计算轴承故障时的特征频率即可判定所出现的故障类型。
振动检测方法中的时域诊断方法是发展最早的一种检测方法。
时域诊断可以理解为振动信号的时域图像分析方法[7]。
在时域诊断中，普通采用振动信号的基本数字特征及其概率分布特征来进行分析和诊断。
应用比较广泛的有：振动信号的平均值，均方根值，方差，概率密度函数，概率分布函数，自相关函数，关函数，互相关函数以及峰值因子，波形因子，脉冲因子，峭度系数等无量纲特征参数[8]。
滚动轴承的时域诊断也就是对轴承振动信号的时域图像进行分析，提取故障特征信息较常用的方法是有效值和峰值判别方法及无量纲因子判别方法[9]。
滚动轴承振动信号的瞬时值随着时间的推移而不断变化。
有效值能有效的反映这种变化情况。
有效值就是振动幅值信号的均方根值。
计算公式为：()()2/12**⎥⎦⎤⎢⎣⎡=⎰∞+∞-dx x p t x X RMS其中：()x p 是幅值分布的概率密度函数，()t x 为振动幅值。
由于有效值对时间进行了平均，所以对具有表面皱裂等无规则的振动异常能给出较好的评价。
而对表面剥落、裂纹和伤痕等局部损伤，由于冲击波峰的幅值大，持续时间短，因而有效值变化小。
对这种形态的故障，采用峰值判别比较好。
峰值是某段时间内轴承振动幅值的最大值，它对故障冲击产生的瞬时振动做出正确的指示。
特别对早期故障中的剥落和划伤等，非常容易由峰值的变化检测出来。
而对外部突发干扰产生的瞬时振动也非常敏感，这样有可能诊断失效[10]。
时域振动中常用的一种敏感因子是无量纲因子，这些无量纲指标是由信号的幅值的统计特征参数演化而来的，主要有以下：(1)峰值因子：()[]()()2/12dx x p t x /x max ⎥⎦⎤⎢⎣⎡=⎰∞+∞-t E C(2)脉冲因子：()[]()()()x d x p t x /t x max ⎰+∞∞-=E I (3)波形因子：()()dx x p t x /x ⎰+∞∞-=RMS L (4)峭度：()()()()[]224dx x p t x /dx x p t x ⎰⎰+∞∞-+∞∞-=V K 以上几个指标的数值大小不受轴承尺寸。
转速及负荷的影响，而只取决于故障的大小和类型，因而可以采用阑值判别方法进行轴承的故障诊断。
其中，峰值因子和峭度对早期故障的检测性能比较可靠。
对正常轴承，峰值因子一般在35-45之间，峭度在3左右，而当轴承一旦出现故障时，其值将显著增大，可能达到几十。
随着故障的增大，其值也增大，然而当故障特别严重时，其值反而减小，这一点应该引起重视。
这些因子各有其局限性，例如峰值因子，他对轴承的局部剥落、压痕等故障非常敏感，且不受振动信号的绝对水平影响。
但是对于片状损伤、皱裂或磨损之类的异常几乎没有检测能力[11]。
总体来说，时域分析方法比较简单，适宜于噪声干扰小的场合，是简易诊断的好方法[12]。
采用频域分析方法可以对轴承早期故障进行精密诊断，直接对轴承振动信号进行频谱分析，结合频谱图的频率结构和特征频率分析，也可以判别轴承的好坏[13]。
在轴承的运转过程中，由于故障的存在导致轴承振动系统的共振而引起周期性的脉动冲击响应。
在信号的频谱图中，在高频范围内有最明显的反映，频域诊断就是基于这一基本原理。
而由于其他信号的干扰存在，直接的频谱分析难于给出准确地分析结论，频域分析中，目前应用最成功的是共振解调方法[14]。
共振解调方法也叫做包络分析方法，改方法以轴承的共振频区为检测频带。
包络解调方法就是对低频冲击所激起的高频共振波形进行包络检波和低通滤波，获得对应于低频冲击而放大并展宽了的共振解调波，可根据包络信号的频率成分识别出故障的模式[16]。
希尔伯特变换的一个重要应用就是处理带通信号的包络解调，获得瞬时相应和瞬时频率。
轴承故障振动冲击信号中的调制信号是轴承损伤故障所产生的周期冲击信号，调制频率为冲击信号频率，即故障特性频率，载波信号为轴承机构系统固有振动信号，载波频率为固有频率。
共振解调波与故障冲击一一对应，因此，希尔伯特分析可用于轴承故障信号解调，得出故障特征频率值[15]。
利用时域参数不能精确诊断出故障位置[17]，而通过对包络信号进行频率分析，可以比较精确的确定出故障发生的部位和层次。
在滚动轴承的故障诊断系统中，包络分析是精确诊断的有效手段之一，而且被广泛应用，它通过分析包络信号的频次和强度来得到诊断信息。
如对于滚动轴承来说，它可以有效的识别出边频带，而找出调制信号的特征，然后结合对机械设备本身的了解，进行故障诊断。
在进行频域分析时，主要是分析它的频谱图，结合特征频率来识别出故障[18]。
由于滚动轴承的许多故障是以振动信号中调制情况为特征信息的，基于Hilbert变换技术的包络分析对这些调制信号进行幅值和频率解调，放大了故障特征信息，极大的提高了信噪比，而可以容易诊断出轴承的故障。
因此，基于Hilbert变换技术的包络分析方法是诊断滚动轴承故障的一种有用方法。
四、研究工作详细进度和安排2011.11.01-2011.01.10 完成文献综述和外文翻译。
2011.01.11-2011.02.27 完成开题报告。
2011.02.28-2011.03.31 了解几种常用测振传感器的工作原理，选择合适的传感器。
分析滚动轴承故障产生的原因及特征信号与故障之间的关系。
2011.04.01-2011.05.20 数据采集和运行状态分析。
2011.05.21-2011.05.26 文档整理，论文评阅、修改和答辩准备。
2011.05.27-2011.05.29 毕业答辩。
五、参考文献[1] 李兴林,张仰平,曹茂来等.滚动轴承故障监测诊断技术应用进展[J].工程与试验,2009,49(14):1-5.[2] 张丽. 机车滚动轴承故障的产生及诊断方法[J]哈尔滨铁道科技，2010，（02）:38-39.[3] KONSTANTINOS C. GRYLLIAS and IOANNIS ANTONIADIS. A peak energy criterion{P.E}for the selection of resonance bands in complex shifted morlet wavelet(CSMW)based demodulation of defective rolling element bearings vibration response[J]. International Journal of Wavelets, Multiresolution and Information Processing,2009,(4):388-409.[4] 吕维杰.振动分析技术在滚动轴承故障诊断中的应用[J].中国新技术新产品，2010(12):27.[5] 唐茗,李力.滚动轴承故障程度识别与诊断研究[J].轴承,2008,(8):32-35.[6] 赵晓玲.滚动轴承故障振动检测方法[J].重庆科技学院学报,2007(1):41-44.[7] 崔硕.时域指标在滚动轴承故障诊断中的应用[J].机械工程与自动化，2008(2):100-102.[8] 屈梁生.机械故障诊断学[M].上海:上海科技出版社,1986.[9] 梅宏斌.滚动轴承振动监测[M].北京:机械工业出版社,1995.[10] 程光友.时域指标在滚动轴承故障诊断中的应用[J].中国设备工程,2005(12):34-35.[11] 王静,邓军,曹阳.轴承状态监测与诊断系统研究与开发[J].噪声与振动控制,2008,28(5):83-85.[12] 仇学青,张鑫.滚动轴承故障诊断研究的国内现状与发展方向[J].煤矿机械,2007,28(6):6-8.[13] 王肇琪,付勤毅.滚动轴承故障的振动检测方法[J].有色矿山,1999(1):36-40.[14] K. REZAEI MOGHADAM, A. MOHAJERIN ARIAEI, M. H. KAHAEI, and J. POSHTAN Bearing fault detection using virtual-based ICA algorithm[J].Fluctuation and Noise Letters,2008(3):23-33.[15] 卜伶俐,郭建英,蒋凤林.小波分析与Hilbert分析在滚动轴承故障诊断中的应用[J].哈尔滨理工大学学报，2008(2):83-89.[16] 刘宗政,陈恳,陈振华等.滚动轴承的振动特性分析及典型故障诊断[J].机械设计与制造,2009(3):103-105.[17] 崔硕.时域指标在滚动轴承故障诊断中的应用[J].机械工程与自动化，2008（2）:100-102.[18] 马波,魏强等.Hilbert变换的包络分析及其在滚动轴承故障诊断中的应用[J].北京化工大学学报,2004(6):96-97.。