轴承故障诊断中的信号处理技术研究与展望
轴承故障诊断与预测技术研究
轴承故障诊断与预测技术研究一、前言轴承是企业生产过程中非常重要的一个部件，如何提高轴承的使用寿命和可靠性是企业工程技术人员关注的重点。
轴承故障是因为在使用的过程中承载超过轴承额定承载能力而产生的，严重影响企业的生产效率和经济效益。
因此，如何有效地诊断轴承故障和预测轴承性能退化状态成为企业工程技术研究的热点和难点。
二、轴承故障诊断技术1.基于信号处理的故障诊断技术信号处理是轴承故障诊断技术最重要的一部分，通过对采集到的振动信号，识别出其中的故障特征信息进行故障诊断。
现阶段已经发展出很多不同的故障诊断方法，包括功率谱密度分析法、小波分析法、时域统计学方法等等。
这些方法都具备一定的优点，但是由于轴承工作环境的复杂性，单一的方法并不能满足所有情况的诊断需要，需要结合多种诊断方法进行综合分析。
2.基于数据融合的故障诊断技术数据融合是指将来自多个传感器的数据进行集成分析，通过提高故障特征的可靠性和准确性来提高轴承的诊断效果。
目前最常用的数据融合方法是主成分分析（PCA）和独立成分分析（ICA），通过这些方法可以将数据降至低维度，提高故障特征的显著性，从而提高轴承故障的诊断能力。
三、轴承故障预测技术由于轴承的寿命和可靠性直接影响企业的生产效率和经济效益，因此对于轴承预测技术的研究日益受到重视。
轴承的预测技术是通过对轴承状态进行持续监测、分析和预测，及时发现轴承的性能下降趋势并采取有效措施，从而提高轴承寿命和可靠性。
1.基于统计学的预测技术统计学方法主要是通过历史数据和经验知识对未来轴承性能进行预测。
目前最常用的统计学方法是基于时间序列分析的ARIMA模型和基于监督学习的支持向量机（SVM）模型。
这些方法通过对历史数据进行建模和预测，可以有效地预测轴承未来可能出现的问题，提高轴承的可靠性和寿命。
2.基于机器学习的预测技术机器学习是最新的一种预测技术，通过对大量数据进行训练和学习，可以准确地预测未来可能出现的轴承故障。
《谐波法电机轴承故障诊断技术研究》范文
《谐波法电机轴承故障诊断技术研究》篇一一、引言随着工业自动化和智能化水平的不断提高，电机作为各种机械设备的重要驱动力源，其运行状态直接关系到整个生产线的效率和安全。
其中，电机轴承的故障诊断对于预防电机故障和保证设备正常运行至关重要。
本文针对谐波法在电机轴承故障诊断领域的应用展开研究，以期提高电机轴承故障诊断的准确性和效率。
二、谐波法的基本原理谐波法是一种基于信号处理和频谱分析的故障诊断方法。
在电机轴承运行过程中，由于轴承的磨损、裂纹、异物侵入等故障，会导致电机振动信号发生变化。
这些变化可以通过安装在电机上的传感器进行捕捉和记录。
谐波法通过分析这些振动信号的频谱特征，提取出与轴承故障相关的谐波成分，从而实现对轴承故障的诊断。
三、谐波法在电机轴承故障诊断中的应用1. 信号采集与处理：首先，通过安装在电机上的传感器采集振动信号。
这些信号包含了电机轴承运行状态的各种信息。
然后，利用信号处理技术对采集到的信号进行滤波、去噪等预处理，以便更好地提取出与轴承故障相关的特征信息。
2. 频谱分析：经过预处理的信号进入频谱分析阶段。
通过快速傅里叶变换等频谱分析方法，将时域信号转换为频域信号，从而观察到信号的频率成分和能量分布。
在频谱图中，可以观察到与轴承故障相关的谐波成分，如轴承内圈故障、外圈故障、滚动体故障等对应的特征频率。
3. 故障诊断：根据频谱分析结果，结合专家知识和经验，判断电机轴承的故障类型和严重程度。
通过对比正常轴承和故障轴承的频谱图，可以准确地诊断出轴承的故障。
此外，还可以通过对比不同时期的频谱图，监测轴承故障的发展趋势，为维修决策提供依据。
四、技术研究与优化为了提高谐波法在电机轴承故障诊断中的准确性和效率，可以进行以下技术研究与优化：1. 智能诊断算法：研究基于人工智能、机器学习等算法的智能诊断方法，提高诊断系统的自学习和自适应能力，降低对专家知识的依赖。
2. 多传感器融合：将多种传感器（如振动传感器、温度传感器、声音传感器等）融合使用，从多个角度捕捉电机轴承的运行状态信息，提高诊断的准确性。
基于振动信号的轴承故障诊断研究
基于振动信号的轴承故障诊断研究随着工业自动化程度的提高，机械设备的精度要求也越来越高。
而轴承作为机械传动的关键部件之一，其运动稳定性和精度直接影响到整个机械系统的运行效率和寿命。
因此，在轴承运行过程中，出现故障将导致设备的正常运行受到影响，并可能导致严重事故的发生，因此轴承故障诊断是工业领域中一项极其重要的任务。
振动信号分析方法已被广泛应用于轴承故障诊断领域。
本文将探讨基于振动信号的轴承故障诊断的原理和方法，旨在提高轴承故障诊断的效率和准确性。
一、轴承故障的振动信号特征分析轴承故障以其特有的振动信号表现出来。
通过振动信号的特性分析，可以识别轴承的不同故障类型。
在常见的轴承故障中，有以下几种典型的振动特征：1.接触频率信号接触频率信号是轴承故障中最常见的信号之一。
当滚动元件与内外环之间的间隙变化，将引起接触的冲击振动。
2.共振频率信号共振频率信号通常由弹性变形、松动连接和过度磨损等问题引起。
此类信号通常呈现较高的幅值和频率。
3.突变信号突变信号通常是由轴承中的裂纹或断层所引起的。
这种信号的特点是幅值陡峭、频率范围较窄。
4.散乱信号散乱信号通常是由机械设备的背景噪音所导致的，通常频率分布很广，幅值相对较小。
为了确保机器的运行健康状态，必须将此信号与轴承故障信号进行区分。
以上是常见的轴承故障的振动信号特征。
根据不同类型的信号特征，可以采用不同的信号处理方法来进行轴承故障诊断。
二、基于振动信号的轴承故障诊断方法振动信号是轴承故障诊断的一种重要手段。
利用振动信号进行轴承故障检测，常见的方法有时域分析、频域分析、小波分析等。
下面分别介绍这几种方法的原理和应用。
1.时域分析时域分析是通过对振动信号的时间序列进行分析，来判断轴承是否存在故障。
时域分析的原理是，当轴承出现故障时，振动信号的幅值和频率都会发生变化。
因此，通过测量振动信号的时间序列，可以分析出信号的幅值、频率和相位等参数，从而判断轴承的状态。
2.频域分析频域分析是通过对振动信号的频谱进行分析，来判断轴承是否存在故障。
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。
轴承故障检测技术的研究
轴承故障检测技术的研究轴承作为高速旋转机械中最常见的部件之一，其稳定性和可靠性对于整个机械系统的正常运行至关重要。
轴承故障是导致机械损坏和生产事故的主要原因之一。
因此，研究轴承故障检测技术已成为研究的热点，该文将从传统方法、振动信号分析、机器学习等多个方面进行介绍。
一、传统方法传统的轴承故障检测方法主要基于人工经验和专业技术，包括检查器件外观和表面状态、听力检查、观察轴承运行稳定性等。
然而，这种方法仅仅是基于直觉和经验，只能检测到超过30%以上的轴承故障。
二、振动信号分析振动信号分析是轴承故障检测中成熟的技术之一，它将轴承运行过程中产生的振动信号进行特征提取和分析，并借助信号处理与数据分析算法，来检测轴承的健康状态。
具体来讲，振动信号分析可包含如下步骤：1. 采集振动信号：振动传感器采集轴承振动信号；2. 信号预处理：对采集到的信号进行滤波、降噪等处理，得到有用信号；3. 特征提取：选择合适的特征提取算法，如时域特征提取、频域特征提取、小波变换等，将信号转换为特征向量；4. 特征选择与降维：对提取到的特征进行筛选，发现最重要和具有代表性的特征；5. 健康评估：使用分类器对轴承所代表的状态进行分析，并根据特征值，判定轴承的健康状态。
振动信号分析技术利用了振动信号的高灵敏度、高可重复性和强的表达能力，且可以从各种安装简便、而且成本较低的振动传感器上获取。
因此，它是一种快速、准确、非破坏性的、值得推广的轴承故障检测方法。
而目前研究人员也尝试使用深度学习算法，进一步提高振动信号分析的检测准确率。
三、机器学习机器学习（Machine Learning）是人工智能的分支。
应用于轴承故障检测，主要是指从历史数据中提取出轴承良性运行和故障运行的模式信息，并根据这些信息进行分析，在轴承发生故障时给出准确的警告和诊断。
机器学习包含大量的算法，如支持向量机（SVM）、神经网络、决策树、随机森林等。
常用的步骤如下：1. 数据采集：采集轴承正常运行和故障运行时的振动信号、加速度信号、声音信号等；2. 数据预处理：对采集到的数据进行滤波、降噪等处理，然后将原始数据转换成特征向量，作为模型训练所需的输入数据；3. 训练模型：根据训练数据，选择合适的机器学习算法进行模型训练；4. 模型评估：利用测试机数据对模型进行评估，看看它能否正确地识别出新的数据，以及其准确率和召回率；5. 预测与诊断：应用训练好的模型对新的数据进行预测和诊断。
滚动轴承故障诊断研究的国内现状与发展方向
滚动轴承故障诊断研究的国内现状与发展方向一、内容综述随着我国工业生产的不断发展，滚动轴承在各个领域得到了广泛的应用。
然而由于长期使用、磨损、过热等原因，滚动轴承故障问题也日益严重，给企业的生产带来了很大的困扰。
因此对滚动轴承故障诊断技术的研究显得尤为重要。
尽管如此我国在滚动轴承故障诊断方面的研究还存在一些不足之处。
首先理论研究相对较少，很多故障诊断方法和技巧还需要进一步验证和完善；其次，现场检测设备和技术水平有待提高，导致很多故障无法得到及时、准确的诊断；缺乏对滚动轴承故障诊断技术的广泛推广和应用，使得许多企业和用户仍然依赖于国外先进的诊断设备和技术。
面对这些挑战，我国滚动轴承故障诊断领域的研究者们正积极探索新的研究方向和发展模式。
一方面加强基础理论研究，提高滚动轴承故障诊断的准确性和可靠性；另一方面，加大对现场检测设备的研发力度，降低故障诊断的成本和难度；此外，还要加强国内外交流与合作，推动滚动轴承故障诊断技术的普及和应用。
相信在我国科研人员的不懈努力下，滚动轴承故障诊断技术将会取得更加丰硕的成果。
1. 研究背景和意义随着我国经济的快速发展，各行各业对机械设备的需求越来越大，而滚动轴承作为机械设备中的重要部件，其性能直接影响到设备的稳定性和使用寿命。
然而近年来我国滚动轴承故障诊断技术的研究和应用水平相对较低，导致很多企业在设备运行过程中出现了大量滚动轴承故障，给企业带来了巨大的经济损失。
因此深入研究滚动轴承故障诊断技术，提高我国滚动轴承故障诊断技术的研究和应用水平，具有重要的现实意义和紧迫性。
首先滚动轴承故障诊断技术的研究和应用可以有效地降低企业的维修成本。
通过对滚动轴承故障的及时、准确地诊断，可以避免因故障导致的设备停机、生产中断等严重后果，从而降低企业的维修成本。
同时滚动轴承故障诊断技术的提高还可以延长设备的使用寿命，进一步降低企业的维修成本。
其次滚动轴承故障诊断技术的研究和应用可以提高企业的安全生产水平。
轴承故障诊断技术研究及应用探索
轴承故障诊断技术研究及应用探索随着机械设备的日益发展和应用范围的扩大，轴承作为其中不可或缺的部件，在保证机械设备正常运转中扮演着重要的角色。
然而，在长时间的工作过程中，轴承往往会出现各种故障，这些故障若不能及时诊断并解决，将会导致机械设备的故障甚至损坏。
因此，轴承故障诊断技术的研究与应用探索变得尤为重要。
1. 轴承故障诊断技术的研究1.1 传统故障诊断技术传统的轴承故障诊断技术主要包括人工检测和可视化检测。
人工检测是指通过人工观察轴承的工作状态来判断是否存在故障，但这种方法存在主观性强、准确性低的缺点。
可视化检测则通过使用红外热像仪等设备，观察轴承的温度变化来进行故障诊断。
然而，这种方法对于隐蔽故障的检测并不敏感。
1.2 基于机器学习的故障诊断技术近年来，基于机器学习的故障诊断技术逐渐崭露头角。
这种方法通过采集轴承运行时的振动信号、声音信号等多种工作参数，并将这些参数输入机器学习算法进行训练和预测，从而实现对轴承故障的自动诊断。
常用的机器学习算法包括支持向量机、随机森林和神经网络等。
这些算法能够从大量的数据中学习和提取特征，具有较高的准确性和鲁棒性。
1.3 基于深度学习的故障诊断技术深度学习已经在很多领域取得了重大的突破，同样在轴承故障诊断领域也有着广泛的应用前景。
基于深度学习的故障诊断技术通过构建深层神经网络模型，利用大量的轴承振动信号等数据进行训练和预测。
与传统的机器学习算法相比，深度学习算法能够更好地学习和挖掘轴承故障的特征，提高诊断的准确性和效果。
2. 轴承故障诊断技术的应用探索2.1 在工业领域的应用轴承作为机械设备中常见的故障部件之一，其故障诊断技术在工业领域有着广泛的应用。
通过实时监测和诊断轴承的工作状态，可以及时发现故障并进行维修或更换，以避免机器故障造成的生产停滞和经济损失。
特别是在高速运转的设备中，轴承故障往往会对设备的安全性和生产效率产生严重影响，因此，轴承故障诊断技术在工业领域有着非常重要的应用价值。
振动机械(振动筛)滚动轴承故障信号处理及诊断方法研究
振动机械（振动筛）滚动轴承故障信号处理及诊断方法研究振动机械（振动筛）滚动轴承故障信号处理及诊断方法研究随着工业技术的不断进步和发展，振动机械（振动筛）作为一种重要的工业设备，广泛应用于各个行业，例如矿山、建筑、化工等领域。
然而，长时间的运行和大负载的工作环境容易导致振动机械滚动轴承的故障。
因此，对振动机械滚动轴承的故障预警和诊断显得尤为重要。
振动机械滚动轴承的故障信号可以通过振动信号捕捉到。
振动信号是由振动筛中物料的运动和旋转等因素产生的。
当滚动轴承发生故障时，会引起振动信号的变化，因此通过对振动信号的监测和处理，可以实现对滚动轴承故障的诊断。
滚动轴承故障信号的处理主要包括信号的采集、滤波和特征提取等步骤。
在信号的采集过程中，一般会使用加速度传感器或振动传感器进行信号的捕捉。
然后，通过滤波处理，可以去除掉信号中的高频噪声和低频分量，得到一个干净的振动信号。
接下来，通过特征提取方法，可以提取出滚动轴承故障信号中的有用信息，例如振动波形、频谱特征等。
基于上述处理过程，可以得到滚动轴承故障信号的特征数据。
接下来的关键步骤就是对这些特征数据进行诊断分析，以判断滚动轴承是否发生故障及故障的类型。
常用的诊断方法包括模式识别、人工智能等技术。
模式识别方法主要是通过建立一个故障诊断模型，将滚动轴承的特征数据与已知的故障模式进行比较，从而判断故障的类型。
人工智能方法主要是通过机器学习算法，对大量的滚动轴承故障数据进行训练，从而实现对未知故障的诊断。
值得注意的是，滚动轴承故障信号处理及诊断方法的研究需要考虑到实际工作环境的复杂性和滚动轴承的多种故障情况。
因此，研究人员需要对不同类型的故障进行详细的分析和研究，以提高诊断的准确性和可靠性。
在振动机械（振动筛）滚动轴承故障信号处理及诊断方法的研究中，还需要注意信号处理技术的发展和进步。
随着传感器和信号处理技术的不断更新，振动信号的采集和处理变得更加精确和高效。
因此，研究人员需要关注最新的技术进展，并将其应用到滚动轴承故障信号的处理和诊断中，以提高故障诊断的效果。
- 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)。
!专题综述#轴承故障诊断中的信号处理技术研究与展望董建宁,申永军,杨绍普(石家庄铁道学院机械工程分院,河北石家庄050043)摘要:讨论了各种信号处理技术在滚动轴承故障诊断中的应用,如平稳信号处理技术、非平稳信号处理技术,非高斯和非白色噪声信号处理技术、非线性信号处理技术、奇异值分解技术以及各种智能诊断技术。
详细比较了各种信号处理技术的特点、应用范围和研究进展,并指出了今后的若干研究方向,为轴承的故障诊断和在线监测提供了依据。
关键词:滚动轴承;故障诊断;信号处理中图分类号:T H133.33;T N911.7文献标识码:B文章编号:1000-3762(2005)01-0043-05 Study and Prospect on S ignal Process Technique of Bearing Fault DiagnosisDONG Jian-ning,SHEN Yong-jun,YANG Shao-pu(Department of M echincal Eng ineering,Shijiazhuang Railway Inst itute,Shijiazhuang050043,China)Abstract:T he application of several signal process techniques are discussed in failur e diagnosis of the rolling bearing, such as steady signal,non-steady sig nal,non-g auss-s and non-w hite no ise signal,non-linear signal process tech-nique,oddity value decompositio n technique and so me kinds of intelligent diagnosis technique.T he characterist ics,ap-plied area and development trend of the signal process techniques ar e compared in detail.A nd t he study dir ections in t he futur e are pointed out.Key words:ro lling bearing;fault diagnosis;signal process对重要轴承进行工况监视与故障诊断,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,在工程上具有重要意义。
本文以轴承系统为研究对象,重点介绍轴承的振动诊断技术中常见的信号处理方法。
现代信号分析和处理的本质可以作一个/非0字高度概括:研究和分析非线性、非因果、非最小相位系统、非高斯、非平稳、非整数维信号和非白色的加性噪声[1]。
其中非最小相位和非因果信号处理技术目前尚未在故障诊断中得到应用。
现介绍其他信号处理技术在轴承故障诊断中的应用情况。
收稿日期:2004-03-12;修回日期:2004-04-22基金项目:河北省科学技术研究与发展计划项目(01547019D)作者简介:董建宁,(1977-),女,研究生,专业方向:滚动轴承的故障诊断技术研究。
1平稳信号处理技术111平稳信号的Fourier谱分析技术目前振动信号分析工程上常用的信号处理方法是FFT频谱分析。
在对轴承的故障诊断中,将振动信号进行频谱分析,查看谱图中有无明显的故障频率谱峰存在,从而可以判断轴承是否完好。
这种方法具有很大的局限性,诊断出来的轴承一般都已有较严重的损害,并且对轴承早期故障的分析不够灵敏。
112平稳信号的时间序列分析对于直接进行频谱分析比较困难的情况,如采集的信号序列较短,或者Fourier变换不能将相互靠近的两个频率分开,采用时间序列分析(也称参数模型的谱分析)是一种较好的方法。
常用的时间序列模型有ARMA模型、AR模型以及MA 模型。
关于各种模型的特点、算法以及适用领域ISSN1000-3762 CN41-1148/T H轴承Bear ing2005年第1期2005,No.0143-47可参考文献[2]。
113平稳信号的其他分析方法采集到的轴承振动信号,不可避免地会受到噪声的污染。
为提高信噪比,还发展了其他一些方法,如时域平均方法,倒频谱分析,包络分析等。
时域平均方法也称相干检波,主要原理是以一定的时间间隔对所测得的信号进行分段,然后将各信号段进行叠加再平均,这样可以在一定程度上消除信号中的随机干扰和非周期成分,从而提取出信号中的周期成分。
采用倒频谱分析技术,可以对存在幅值调制的轴承故障振动信号进行分析。
倒频谱分析具有谱线定位准确、幅值突出和能识别因信号调制引起的功率谱中的周期分量并诊断出调制源的特点[3]。
与传统的FFT分析方法不同,包络分析是在频谱分析之前对信号进行滤波检波分析,从而只提取附载在高频信号上的调制信号。
因此包络分析技术可以有效地排除噪声干扰,提高信噪比,诊断出轴承磨损、裂纹、点蚀等故障[4]。
实践证明,利用包络分析、倒频谱技术可以准确地判断轴承缺陷的部位及损伤程度。
2现代信号处理技术211循环平稳信号处理技术循环平稳信号是一种特殊的非平稳信号,其统计特征参量随时间呈现出周期或多周期的变化规律。
当系统发生损伤故障时,损伤部件在运转中都会在相接触的零件间产生周期性的脉冲力,使观测到的振动信号明显包含有周期成分。
这种周期性的振动信号具有循环平稳特性。
目前,循环平稳信号分析方法已开始应用于设备故障诊断领域,并取得了一些卓有成效的结果[5]。
姜明等[6]在二阶循环平稳理论的基础上,将时间平滑周期图法应用到实测轴承振动信号的分析与诊断中,通过与经典的功率谱分析方法相比较,证明循环周期图能够快速有效地识别出轴承的故障。
李力等[7]讨论了二阶统计循环自相关函数特性,基于调幅和调频信号模型推导出循环域解调方法,通过扫描循环频率域使调制源(故障)信息解调在循环域的低频段和高频段,利用高频段无调制源交叉相的特点,有效地提取出轴承外圈、内圈和滚动体的故障特征。
秦恺等[8]针对轴承故障信号含有调幅成分的特点,提出并讨论了利用谱相关密度来提取轴承故障特征的方法。
王锋等[9]采用小波包原理对一组仿真得到的轴承振动信号进行分解重构,再计算其循环谱密度,可解调出所有的调制源频率,并能有效抑制噪声和干扰信号对解调结果的影响,提高了监测的准确性。
因此,循环平稳分析方法利用振动信号的周期时变特性来分析轴承的运行状态,可以更加贴切反映出轴承的真实状况,揭示故障的本质特征。
212其他非平稳信号处理技术21211时频信号分析对非平稳信号而言,Fourier变换不再是有效的数学分析工具,因为它是信号的全局变换,而信号的局部性能的分析必须依靠信号的局部变换。
信号的局部性能需要使用时域和频域的二维联合表示,因此常将非平稳信号的二维分析称为时频信号分析。
Cohen L的专著[10]系为研究非平稳信号的经典著作,详细叙述了时变频谱在时频平面上的分布特性、计算方法、尺度表示以及各种算子问题等。
孟庆丰等[11]描述了振动信号分析时频域法,证明了时频域法是识别轴承故障的有效方法。
研究表明,短时Fourier谱和Wigner分布都能将时域信号变换到时频域,但是对于时变信号,应用Wig ner分布更为适宜。
黄迪山等[12]根据非平稳带通信号的特点,改进了Classen的Wigner分布算法,克服了由离散计算引起的混叠问题,应用二维、三维Wig ner分布图对轴承故障进行了特征分析。
21212小波分析小波分析是最近几年才出现并得以应用和发展的一种时)频信号分析方法。
由于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具有更为显著的优点。
由于轴承的故障信号中含有非稳态成分,所以用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。
Sun Q等[13]采用连续小波变换(CWT)的方法,通过各尺度连续小波变换的简化分析,来识别轴承振动信号中包含的以故障特征频率为周期的周期成分,用来检测轴承运行中的局部损伤故障。
Nikolaou N G等[14]提出了使用小波包变换(WPT)作为分析系统振动信号的工具,来诊断轴承的局部缺陷。
结果表明,小波包变换能有效地提取振动信号的微弱瞬态特征。
张中民等[15]提出了基于正交小波变换诊断#44#5轴承62005.l.01轴承故障的新方法。
利用正交小波基将轴承故障振动信号变换到时间)尺度域,对高频段尺度域的小波系数进行包络细化谱分析,不仅能检测到轴承故障的存在,而且能有效地识别轴承的故障模式。
史东锋等[16]提出了基于高斯函数的小波包络解调分析方法。
该方法能将各共振响应频带的调制频率提取出来,进一步采用包络谱熵选择最优尺度来监测轴承缺陷的发生和发展过程。
经试验验证,该方法能准确地检测出轴承外圈、内圈及钢球局部缺陷。
张中民等[17]利用小波分析技术将轴承故障振动信号分解到时)频空间,定义了轴承故障振动信号能量分布函数S(t),提出了利用能量分布函数S(t)细化谱诊断变速箱轴承故障的分析方法。
张佩瑶等[18]提出了提取强噪声背景下多通带窄带信号的一种新方法)小波包信号提取算法。
它是利用小波包络信号按任意时频分辨率(满足测不准原理)分解到不同频段的特点而提出的,并以仿真结果和轴承的故障诊断说明了该算法的有效性。
213非高斯和非白色噪声信号处理技术研究非高斯信号和非因果、非最小相位系统的主要数学工具是高阶统计量。
在信号处理领域使用高阶统计量的主要动机和出发点可归结为:(1)抑制加性有色噪声(其功率谱未知)的影响。
(2)辨识非因果、非最小相位系统或重构非最小相位信号。
(3)检测和表征信号中的非线性以及辨识非线性系统。
(4)抽取由于高斯性偏离引起的各种信息。
(5)检测和表征信号中的循环平稳性以及分析和处理循环平稳信号。
高阶统计量包括高阶矩、高阶累积量、高阶矩谱、高阶累积量谱这四种主要形式,还包括倒高阶累积量和倒高阶累积量谱(简称倒多谱)。
在工程上,主要使用高阶累积量和高阶累积量谱(高阶谱)来研究非高斯、非平稳随机过程。
当轴承元件出现局部损伤时,根据故障特征频率可以检测出轴承故障并诊断其发生的位置。
但是由于损伤轴承振动冲击的能量散布在一个很宽的频带上,其频谱包含故障特征频率的各次谐波,很容易被噪声淹没,故高阶谱分析方法为此类振动提供了新的手段。
高阶谱可以弥补二阶统计量(功率谱)不包含相位信息的缺陷。
高阶谱有很强的消噪能力,理论上能完全抑制高斯噪声,因此用高阶谱分析振动信号更容易获得有用信息。