小波变换与滚动轴承振动的故障诊断方法研究
基于小波包和支持向量机的滚动轴承故障诊断方法研究
基于小波包和支持向量机的滚动轴承故障诊断方法研究摘要：滚动轴承是机械设备中常用的传动元件，其故障会严重影响设备的正常运转，因此滚动轴承故障诊断一直是机械领域的研究热点。
本文提出了一种基于小波包和支持向量机的滚动轴承故障诊断方法。
首先采集轴承运行时的振动信号，然后通过小波包变换对信号进行分解，得到多个频带信号。
接着，针对不同频带信号中的故障特征，采用支持向量机分类器进行故障诊断。
实验结果表明，该方法可以准确诊断出滚动轴承的故障类型，并具有较高的诊断率和鲁棒性。
该方法在滚动轴承的健康监测及维护中具有重要的应用价值。
关键词：滚动轴承；小波包；支持向量机；故障诊断1. 引言滚动轴承是机械设备中常用的传动元件，其故障会严重影响设备的正常运转，甚至导致设备损坏和生产停滞。
因此，滚动轴承故障诊断一直是机械领域的研究热点。
目前，滚动轴承故障诊断的方法主要包括振动信号分析、声音信号分析和温度信号分析等。
振动信号是滚动轴承故障诊断中最常用的信号，其具有灵敏度高、响应迅速、特征明显等优点。
因此，采用振动信号进行故障诊断已成为一种主流方法。
2. 小波包分解小波包变换是小波变换的一种改进方法，它在小波变换的基础上增加了分解级数的选择，可以逐级地对信号进行分解，得到更多的细节信息。
在滚动轴承故障诊断中，可以采用小波包分解对振动信号进行频带分解，进一步提取信号的特征信息，提高故障诊断准确率。
3. 支持向量机分类器支持向量机是一种广泛应用于模式识别和分类问题的机器学习算法，其基本思想是寻找一个超平面将数据分为两类，并使得两类数据点到超平面的距离（即间隔）最大化。
因此，支持向量机具有较高的分类精度和泛化能力，适用于处理高维度的数据，并且不易受到噪声的影响。
4. 基于小波包和支持向量机的故障诊断方法本文提出的基于小波包和支持向量机的滚动轴承故障诊断方法主要包括以下步骤：（1）采集滚动轴承运行时的振动信号，并进行预处理；（2）对预处理后的信号进行小波包分解，得到多个频带信号；（3）针对不同频带信号中的故障特征，选取合适的特征提取方法，并采用支持向量机分类器进行故障诊断；（4）根据分类结果判断轴承的健康状态，并进行相应的维护措施。
小波理论在滚动轴承故障诊断中的应用
ｈｔ： ｗｗ ｃＳ ．ｒ． ｔ ／ ｐ／ ｗ ． － ｏｇｃ －ａ ａ
汁 算 机 系 统 应 用
已广泛应 用于信 号及 图像处理 、 语音 处理、数值计算 、 模 式识别 、量子物理 、故障诊 断［等领域 ，被认为是 】 在工具和方法上 的重大突破 。 由基本 小波 或母小波 （ 通过伸缩 ａ和平移 ｂ产 ｆ ） 生一个 函数族称 ｛ （ ） ｆ 为小波 。有： ）
（） 原始信号 ａ （） 含噪信号 ｂ
率确定小波最大分解层数 。 ２ 对细节系数做相关分析 ，阈值选择可用 公式如 ）
下描述：
图 ｌ 信号时域 图
分别用上述两种方法对信 号进行消噪 处理 ，实验 结果分别见 图 ２ａ和 图 ２ｂ所示 。 （） （） 可 以看 出，用 小波 消噪对信 号 中的尖 峰和 突变部 分有着很好 的处理 ，而 Ｆ Ｔ滤波 消噪则不能对 有用信 Ｆ
留。因此分解层数 的选 择要使信噪比提 高的同时也要
考虑到对低频 噪声的抑制。小波降噪分 析实质 上是抑
制信号 中的无用成 份，恢复有用成份 的过程 ，因此小
波分解系数要 能够 反映有用 信号中的最小频 率成分 ， 将信号分解 到各个 独立的频带上，高层 的细节 系数反
映 了信号 的低频部 分，从而提 出由有用信 号的最小频
３ 利用处理后的细节信号和最后一层 的逼近 信号 ）
进行重构 ，得到降噪后的信号 。 ４ 二阶循环统 计量分析 ． ２
系数。通常，把 （ ≠ 的频率 称为信号 （ 的循 ｆ ０ ） ｆ ）
环频率 。循环 自相关函数与传统相关 函数 的区别是 ， 引入因子 ｅ ，使得 相关域分 析拓展到 循环相 关域 － 。 分析 中，这个加权因子 ｅ 被称为循环权重因子。
基于小波包分析的滚动轴承的故障诊断方法研究
基于小波包分析的滚动轴承的故障诊断方法研究姜娜;纪建伟;齐晓轩;孔庆江;肖隆君;孙逢龙【摘要】We used the analysis methods which are based on non-stationary signal analysis methods to study the model and algorithm of the roller bearing fault diagnosis. In the full analysis of failure mechanisms and characteristics of the premise, we focused on the wavelet packet analysis of the vibration signal of rolling bearing fault to extract the effective fault characteristics which could reflect the failure modes. We established the BP neural network classifier based on the fault eigenvectors which we have obtained to achieve recognition and diagnosis of the typical failures of rolling bearings.%用基于非平稳信号的分析方法,研究滚动轴承的故障诊断模型与算法.在充分分析故障机理及特点的前提下,重点开展对滚动轴承故障振动信号的小波包分析的研究工作,提取出反映故障模式的有效故障特征.并基于所获取的故障特征向量,建立BP神经网络分类器,实现对滚动轴承典型故障的识别与诊断.【期刊名称】《浙江农业学报》【年(卷),期】2012(024)002【总页数】4页(P310-313)【关键词】小波包分析;故障诊断;BP神经网络;MATLAB【作者】姜娜;纪建伟;齐晓轩;孔庆江;肖隆君;孙逢龙【作者单位】沈阳农业大学信息与电气工程学院,辽宁沈阳110161;沈阳农业大学信息与电气工程学院,辽宁沈阳110161;沈阳农业大学信息与电气工程学院,辽宁沈阳110161;沈阳农业大学信息与电气工程学院,辽宁沈阳110161;沈阳农业大学信息与电气工程学院,辽宁沈阳110161;沈阳农业大学信息与电气工程学院,辽宁沈阳110161【正文语种】中文【中图分类】U226.8+1滚动轴承是生活、生产中应用相当广泛的机械零件之一，其工作状态是否正常对于整个机械设备的运行状态有着重大的影响［1］。
基于自适应Morlet小波变换滚动轴承声学故障诊断的研究
基于自适应Morlet小波变换滚动轴承声学故障诊断的研究李静娇;陈恩利;刘永强【摘要】基于声音信号的测试与分析是滚动轴承故障检测与诊断的一种新方法,提出了基于自适应Morlet小波变换诊断轴承声学信号故障的新方法.首先利用最小Shannon熵对Morlet小波的形状参数进行优化,找到与所测声音信号特征成份最匹配的小波,再对小波系数矩阵进行奇异值分解,通过奇异值与变化尺度的关系曲线得到最佳小波变换尺度,最后对滚动轴承故障信号进行Morlet小波变换进行故障特征提取.结果表明:该方法能有效地从强噪声背景下提取出轴承声学信号的故障.%Diagnosis of rolling bearing faults based on sound signal testing and analysis is a new method,a feature extraction method of sound signal of rolling bearing is raise based on adaptive Morlet wavelet.Firstly,minimum Shannon entropy is used to optimize the Morlet wavelet shape factor in order to match with the impact component.Then,an abrupt information detection method based on the transitional stage of singular curve of wavelet coefficient matrix is used to choose the appropriate scale for the wavelet transformation.Finally,the fault feature of the signal can be extracted using this method.The experimental results shows that the method can extract sound signal fault feature more effectively.【期刊名称】《石家庄铁道大学学报（自然科学版）》【年(卷),期】2017(030)003【总页数】5页(P29-32,47)【关键词】声学信号;小波变换;Shannon熵;故障诊断【作者】李静娇;陈恩利;刘永强【作者单位】石家庄铁道大学机械工程学院,河北石家庄050043;石家庄铁道大学机械工程学院,河北石家庄050043;石家庄铁道大学机械工程学院,河北石家庄050043【正文语种】中文【中图分类】TN911;TH133.33轴承故障是列车行驶中最大的故障源之一。
基于小波包变换与ceemdan的滚动轴承故障诊断方法
基于小波包变换与ceemdan的滚动轴承故障诊断方法本文提出了一种基于小波包变换和CEEMDAN的滚动轴承故障诊断方法。
该方法通过小波包变换将信号分解为不同频率的子带，然后使用CEEMDAN对每个子带进行分解，以提取滚动轴承的故障特征。
实验结果表明，该方法可以有效地诊断滚动轴承的故障，具有较高的准确性和鲁棒性。
关键词：小波包变换；CEEMDAN；滚动轴承；故障诊断引言滚动轴承是机械设备中常见的关键部件之一，其运行状态对设备的安全性和可靠性具有重要影响。
因此，滚动轴承故障诊断一直是机械振动领域中的研究热点之一。
传统的滚动轴承故障诊断方法主要基于时间域、频域和时频域分析，但这些方法存在着一定的局限性，如低准确性、低鲁棒性等。
近年来，小波包变换和CEEMDAN等信号处理方法被广泛应用于滚动轴承故障诊断中。
小波包变换可以将信号分解为不同频率的子带，从而提取信号的频率信息。
CEEMDAN是一种新型的自适应信号分解方法，可以将信号分解为不同的本征模态函数（EMD），从而提取信号的局部特征。
因此，将小波包变换和CEEMDAN结合起来，可以更加准确地提取滚动轴承的故障特征。
本文提出了一种基于小波包变换和CEEMDAN的滚动轴承故障诊断方法。
该方法首先使用小波包变换将信号分解为不同频率的子带，然后使用CEEMDAN对每个子带进行分解，以提取滚动轴承的故障特征。
最后，使用支持向量机（SVM）分类器对提取的特征进行分类，以实现滚动轴承的故障诊断。
实验结果表明，该方法可以有效地诊断滚动轴承的故障，具有较高的准确性和鲁棒性。
方法1.小波包变换小波包变换是一种基于小波变换的信号分析方法，可以将信号分解为不同频率的子带。
小波包变换的基本思想是将小波变换的分解过程进行递归，从而得到更加细致的频率分解。
具体来说，小波包变换可以表示为：$$WPT(x,n,k)=sum_{i=0}^{N-1}x(i)psi_{n,k}(i)$$其中，$x$为原始信号，$N$为信号长度，$psi_{n,k}$为小波包基函数，$n$和$k$分别表示小波包基函数的尺度和位置。
基于小波分析的滚动轴承故障诊断
基于小波分析的滚动轴承故障诊断【摘要】机械设备中较常见的、较常使用的就是滚动轴承，滚动轴承的工作状态可以直接对正太机器的运作起到功能性的影响作用。
在本篇论文中分析了滚动轴承的故障以及诊断的方式方法，作为极易损坏的，应用最广泛的机械零件应该给与深入的故障诊断分析。
小波分析作为崭露头角的诊断技术在今后的发展中需要进一步的研究与实践，才能够开阔更广泛的应用市场。
【关键词】小波分析；滚动轴承；故障分析诊断前言滚动轴承的不正常工作可以引发旋转机械的很多故障，所以轴承这部分零件的损耗大小对于整台机器是否能够正常工作起到决定性的作用，一旦滚动轴承产生损耗就会引起机器震动，继而导致大量的噪声，甚至会导致机械设备瘫痪。
所以滚动轴承的故障诊断分析，在实际的操作中是存在较大的可行性的，也是施工作业中很重要的工作部分。
可以通过小波分析的方法对滚动轴承产生的信号进行分析由此得出滚动轴承的故障判断。
1 小波分析故障诊断技术的研究现状与发展机械设备在出现问题的时候最明显的故障特征就是振动和冲击。
因此目前我们对机械设备存在问题故障的判断方式以振动为基础理论的。
在正常的工作中也正是振动和冲击时常反映在故障机器中。
我国现有的故障诊断方式中常见是引用Hilbert变换的包络分析法来实现解调。
在操作中专家实现包络信号提取的方式是利用垂直数字考虑技术，以这样的技术来合并将窄带部分的滤波和包络检测过程，与过去的希尔伯特方式相对比的话是存在一定的时效性的，其特征是检测波长不再受到限制、提高了重现采样实施过程中的精准度，为故障分析带来了更多的方便。
总得来说是以能量算子来检测滚动轴承的故障特征，从而确定诊断目的。
小波分析应用在振动信号处理技术是最近几年才普及的，在实际应用中小波分析能够同时提供的是振动信号的时域、频域的局部化变换信息。
其技术特征是具有多尺度性、数字微显示性，这两个特征可以使振动信号中的突变信号尤为明显的被识别出。
专家利用小波分析的技术特征融合近邻法成功的提出了对列车滚动轴承的故障诊断。
基于Morlet小波变换和SVM的滚动轴承故障诊断
基于Morlet小波变换和SVM的滚动轴承故障诊断隋瑒;张红玲【摘要】针对滚动轴承的故障振动信号具有非平稳特性以及在归类筛选方面支持向量机参数对其准确程度有一定关联的特点,提出一种将Morlet小波变换和人工鱼群参数优化结合的方法,并将其应用于滚动轴承的故障诊断中.通过对Morlet小波进行参数优化,能够很好的匹配故障信号的特征点,达到去噪的目的;运用人工鱼群算法进行参数优化能够使故障分类在准确率方面得到提高.实验结果证明该方法能有效地从强噪声背景中提取故障特征,能够很好的识别出不同的故障状态.【期刊名称】《辽宁科技学院学报》【年(卷),期】2019(021)004【总页数】3页(P3-5)【关键词】Morlet小波;支持向量机;参数优化;故障诊断【作者】隋瑒;张红玲【作者单位】本钢集团有限公司计控中心,辽宁本溪117000;辽宁科技学院曙光大数据学院,辽宁本溪117004【正文语种】中文【中图分类】TP290 引言当滚动轴承存在局部故障时，会出现衰减响应，我们称之为突变点，由于大部分故障特征的信息均存在于突变点内，因此想要提取故障信息就需要重点检测突变信号的信息〔1〕。
经过大量的阅读和分析，在故障诊断方面应用小波变换的最为常见〔2〕，但存在一定的局限，即在噪声大，背景干扰较大的环境下，便很难找到突变信息。
最常规的降噪处理方法是常规的Morlet小波和最小小波熵参数优化Morlet小波，都难以实现最有匹配和最佳变化尺度〔3〕。
SVM的功能受其核函数影响。
使用传统核函数的过程中，一些学者发现通常所选的核函数归结起来有两类：全局核函数和局部核函数。
全局性核函数泛化性能强、学习能力弱，而局部性核函数学习能力强、泛化性能弱；文献〔4〕也从理论和应用上验证了参数优化能提高分类的识别率。
基于以上原因，本文提出了一种系统缺陷特点识别的办法，并结合人工鱼群算法进行参数优化使故障归类的准确率得到提高。
1 Morlet 小波及其优化1.1 Morlet 小波由于Morlet小波是类似余弦信号的对称图形，并依照指数特性进行衰减，因而可能够与突变信号完成匹配，即实现信号的去噪，同时留存最开始的系统缺陷的特征信息。
基于谱峭度Morlet小波变换法和经验模态分解的滚动轴承故障诊断研究
Ｇａ ｈ ｒ ， ｕｕ ｏｍ ｌ ｎ ｅｓ ， ｉ ａ ６２ ， ｈ ａ ｒ ｉ Ａ ｔ Ｑｆ ｒａ ｉ ｒｔ Ｒｚ ｏ２ ８６ Ｃ ｉ ） ｐ ｃ ｓ Ｎ Ｕ ｖ ｉ ｙ ｈ ７ ｎ
Ａｂｓｒ ｃ Ｂｅ ａ ｓ ｈ ａｌ ａｌ ｒ ｉ ｎ ｌ ｆｔ ｒｎｉ ｇ ｍａ ｈ ｎ ’ ｏ ｌ ｇ ｂ ａｉ ｇ ｅ ｖ ｒ ａ ｔａｔ ｃ ｕ ｅ ｔｅ ｅ ｒ ｆ ｉ ｅ ｓｇ ａｓｏ ｙ ｕ ｈｅｐ ｔ ｃ ｉ ｅ Ｓｒ ｌ ｎ ｅ ｒｎ ｓａ ｅｙ ｗｅ ｋ，ａｍ ｅｈ ｄ ｂ ｓ ｄ ｏ ｅ ｉ ｎ ｉ ｒ ｔｏ ａ ｅ ｎ ｔ ｈ ｓ ｅ ｔａ ｕ ｔｓｓｃ ｍｂ ｎ ｄ ｗｉ ｏｌｔｗａ ｅｅ ｒｎ ｆ ｒ ｔｏ ｎ ｍｐｒｃ ｌｍ ｏ ｅ ｄ ｃ ｍ ｐ ｓｔｏ ｏ ｄａ ｎ ｓ ｄ ｅ ｈ ｎ ｅ ｐ ｃｒｌｋ ｒｏ ｉ ｏ ｉ ｅ ｔ Ｍ ｒｅ ｖ ｌｔｔａ ｓｏ ｍａｉｎ ａ ｄ ｅ ｉ ａ ｄ ｅ ｏ ｏ ｉ ｎ ｔ ｉｇ ｏ ｅ ａ ｎ ａ ｃ ｈ ｉ ｉ ｎ
ｈ ｎ， ｈ ｒｌ ａｙｅ ｎ ｅ ｉ ａｓ ｒ ｅｏ ｏｅ ｎｏａｆ ｉ ｕ ｅ ｆｉ ｒ ｓ ｄ ｕ ｃｉ ｓ Ｉ ｓ ．Ｕｓｆｌ Ｔ ｅ ｔｅｐｅｉ ｎｒ ｎ ａ ｃｄ ｓ ｎ ｌ ｗｅｅｄ ｃ ｍｐ ｓｄｉｔ ｎｔ ｎ ｍｂ ｒｏ ｔ ｎｉ ｍｏ ｅｆｎ ｔ ｎ （ＭＦ ） ｍｉ ｈ ｇ ｉ ｅ ｎｉ ｃ ｏ ｅｕ
中国印刷与包装研 究 ２ １ 年第 ｌ （ 卷 ） ０２ 期 第４
ＣＨＩ ＮＡ ＰＲ玎 Ｉ Ｇ Ｎ ＡＮＤ ＡＣＫＡＧＩ Ｐ ＮＧ ＴＵＤＹ Ｖｏ ． ４ Ｎｏ １ ２ １ ． Ｓ １０ ． ０ ２ ２
研 究 论 文
ＲＥ Ｅ Ｓ ＡＲＣＨ ＡＰ Ｐ ＥＲＳ
基 于谱峭 度 Ｍｏｌ 小波 变换法 和经验 模态 分解 ｒｔ ｅ 的滚 动 轴 承 故 障 诊 断 研 究
基于小波变换的滚动轴承内圈故障诊断
ｕ ｅ ｏ ｄ ｃ ｍｐ ｓ ｈ ｉ ｒｔｏ ｃ ｅｅａ ｉｎ ｓｇ ｓ ｄ ｔ ｅｏ ｏ ｅ ｔ ｅ ｖｂ ａｉｎ ａ ｃ ｌｒ ｔｏ ｉ—
ｎ ｌ ｆ ｂ ｌ ｂ ａ ｉ ｇ ｆ ｕ ｔ ｏ ｄ ｆｅ ｅ ｔ ｓ ａ ｅ ，ａ ｄ ａ ｓ ｏ ａ ｌ ｅ ｒｎ ａ ｌｓ ｔ ｉｆ ｒ ｎ ｃ ｌｓ ｎ ｔ ｅ ｗａ ｅ ｅ ｏ ｆｉｉ ｎ ｓ ｉ ｖ ｌ ｉ ｇ ｆ ｕ ｔ ｆ ａ ｕ ｅ ｆｅ ｈ ｖ ｌ ｔｃ ｅ ｆ ｅ ｔ ｎ ｏ ｖ ｎ ａ ｌ ｅ ｔ ｒ ｒ — ｃ
性， 这些 特性使 得 小波 分析 能 够 识 别振 动信 号 中的 突变信 号Ｌ 。 ２ ］ 利 用 小波 变换 进行 故 障诊 断 ， 根据 信号 在 一 是 系列时 频分辨 空间 中的能量 分布 特征有效 地刻划 出
文章编号 ：０ １ ２ ７ ２ １ ） ６— ０ ２ ３ １ ０ —２ 出关 键故 障特 征 较为 突 出 并 的频段 ， 进行有 选 择 的信 号 重构 。这 种 方法 无 需 建 立 滚动 轴承振 动信 号 的数 学模 型 ， 具 有特 征 参 量 还
少 、 障特征 突 出等优 点 。实 验结 果 说 明 了该 方法 故
的准确 性和有效 性 。
ｓ ｏｗｓｔ ｔｔ ｅ ｏ ｖ ｌｔｔ ａ ｓ ｏ ｍ ａ ｔｄ ａ ｈ ｈａ ｈｅｕｓ ｆｗａ ｅ ｅ ｒ ｎ ｆ ｒ ｆ ｕｌ ｉｇ— ｎ ｉ ｆ ｒ ｌｅ ａ ｉ ｇ ｉ ｎｅ ｉ ｓ ｇ ｏ ｅ ｕｌｓ ｏｓｓｏ ｏ ｌｒ ｂｅ ｒｎ ｎ ｒｒｎｇ ｈａ ｏ ｄ ｒ ｓ ｔ ． Ｋｅ ｒ ｓ： ｖ ｌ ｔ ｔａ ｆ ｒ ｒ ｂａｌ ｂｅ ｒｎ ｙ ｗｏ ｄ ｗａ ｅ ｅ ｒ ｎｓ ｏ ｍｅ ； ｌ ａ ｉ ｇ； ｆ ｕ ｔ ｄ ａ ｏ ｉ ； ｒ ｑｕ ｎ ｙ ａ ａ ｙｓｓ ａ ｌ ｉｇｎ ｓ ｓ ｆ ｅ ｅ ｃ ｎ ｌ ｉ
基于小波变换的滚动轴承内圈故障诊断
基于小波变换的滚动轴承内圈故障诊断摘要本文研究了基于小波变换的滚动轴承故障诊断.介绍了小波分析的原理和轴承故障诊断的方法.研究了小波变换的理论，将小波变换用于滚动轴承故障诊断，并结合实际应用得出结论.关键词：小波变换；滚动轴承；故障诊断1 引言随着社会的发展，工业技术发展的迅速，出现一系列新的机械设备，为自动控制技术奠定了基础。
轴承作为一种关键部件，在转动系统中起着支撑、支承、减振等重要作用，其正常运行的情况直接影响着转子系统的运行效率和可靠性。
正常工作状态下，轴承有可能出现故障，如内圈损坏，外圈损坏，磨损，流失等。
如果对轴承故障及时发现，就可以避免严重损失，并减轻其他机械部件的损坏。
因此，研究轴承故障的诊断问题是非常重要的，为此，本文研究了基于小波变换的滚动轴承内圈故障诊断。
2 小波变换原理小波变换(Wavelet Transformation, 简称WT)是当前发展迅速，广泛应用的信号处理方法，是一种短时间间隔的时频分析方法，它可以把信号按时间分解到不同的尺度上，从而分析它的时域及频域特性，得到信号的时频分析图。
在滚动轴承故障诊断中，小波变换可以有效地用于捕获轴承缺陷信号的微小特征，使得轴承故障信号的特征具有更高的可视化性和可识别性。
3 滚动轴承故障诊断方法轴承故障诊断主要依赖于轴承的声发射和振动信号。
滚动轴承故障主要有内、外圈损坏、磨损及流失等。
其中内圈损坏是最常见的，因此本文重点研究以内圈损坏为故障诊断的方法。
(1) 轴承故障信号采集在滚动轴承故障诊断过程中，首先要采集轴承的振动信号，采集装置可以采用传感器、激励器、数据采集卡等设备。
(2) 轴承故障信号处理在收集到的轴承振动信号进行处理时，先进行滤波处理，去除噪声、抖动等影响，以便进一步的处理。
(3) 小波变换将滤波后的轴承振动信号进行小波变换，可以得到轴承振动信号的小波分析图，从而得到更加清晰的故障特征。
(4) 故障判断根据小波分析图，可以比较轴承振动信号的特征，从而得出轴承的故障类型，从而进行故障诊断。
- 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)。
１ ３ 倒频 谱分 析法 ．
转 精度 丧失 ， 加振 动噪 声 和 旋 转 阻力 ， 增 以致 滚 动 体
受 到 阻滞 和卡 死 ， 造成 整 个 机 械 系 统 的 失效 ． ｎｄ Ｆａ ｌ ａ ｎ ｓｓ ｏ ｌｅ ａ ｉ ｇ ｕ ｙｏ ｖ ｌ ｔＡｎ ｌ ｓ ｓ ａ ｕ ｔＤｉ ｇ ｏ ｉ ｆＲｏ ｌ ｒ Ｂｅ ｒ ｎ Ｌ ｅ ＨｅＴａ Ｗ ｕ Ｑｉ ｇ ｕ ｉ Ｗ ｉ ｏ ｎｈ ａ
滚 动 轴 承是 机 械设 备 中应 用最 广 泛 的机 械 零 件
之一 、 也是 关键 部 件 之 一 ， 机 械设 备 中起 着 承 受 并 在 传递 载荷 的作 用 ， 运行 状态 对整 台机器 的工作 状 态 其
门槛 值作 比较 ， 示 出 轴 承运 行 情 况 正 常 与 否． 般 指 一 情况 下 ， 它们 与轴 承的异 常程 度成 正 比．
Ｊ ｎ２ ０ ｕ．０６
小 波变 换 与 滚 动 轴 承 振 动 的故 障诊 断 方 法研 究
李 伟 何 涛 吴庆 华
（ 湖北 工业 大 学 机械 工 程 学院 ，武汉 ４０ ６ ） ３ ０ ８
摘要 ： 要 综合介 绍 了滚动 轴承振 动及 故 障诊 断 的方 法及 小 波变 换在 滚 动轴 承 故 障特 征 提取 中的 简 应用． 过 对滚 动轴承 故 障信 号的分 析表 明 ， 方 法可 以分 析 出滚 动轴承 振 动 的故 障 信 号 ， 通 该 确定 轴 承振 动 的故障部 位． 关键词 ： 动轴 承 ； 小 波变换 ； 故 障诊 断； 振 动信 号 滚 中 图分 类 号 ： ＴＨ１ ３ ＴＰ ８ ３ ： １２ 文献标 识 码 ： Ａ 文章 编号 ：６ ２９ ８ ２ ０ ） ３０ ３ —３ １ ７ —４ Ｘ（ ０ ６ ０ —２ ３０
１ ２ 相 关与频 谱 分析法 ．
有很 大影 响． 动轴 承 发生故 障是 引起 机 械设 备失 效 滚
的重要 原 因 ， 一旦 轴承 工作表 面 出现缺 陷会 使 轴 承旋
相 关与频 谱分 析 是 滚 动 轴 承精 密 诊 断 的常 用 方 法 ， 动信号 经放 大 、 波 、 振 滤 绝对 值 处 理 后 ， 相关 或 作
为近似 周期 信号 ． 这样 ， 倒 频 谱 图上 即 能 反 映 出这 在 些 信号 的成 分 ， 即基本 倒频 率对 应与 频谱 上边 带 间 隔
频 率 的倒数 ． 倒频 谱 的应用 解决 了滚 动轴 承故 障从 常
规频谱 分 析 中直 接识 别故 障特 征频 率 的困难 ．
１ ４ 概 率密度 分析 法 ． 振动 幅值 的概 率 密 度 函数 表 示 幅值 域 的统 计 分
的故 障检测 是诊 断技 术领 域 中发展 的重 点［ ． １ ］
１ 滚 动 轴 承 振 动 信 号 的 分 析 方 法综 述
振 动分析 中 ， 动轴 承 的故 障特征 包括 时 域 和频 滚 域 两大类 ． 域特 征有轴 承振 动信 号 的峰值 、 时 峭度 值 、 均 方根 值等 ； 频域 特征是 指 轴承振 动信 号在 特 征 频率
处 的幅值． １ １ 振动 监测 ．
当轴 承 内 、 圈或 滚 动 体 出现 故 障 时 ， 生 的 冲 外 产 击信 号大 小受 到轴 的转 动 、 持架 转动 以及 载 荷情 况 保
的调 制 ． 因而在 频 谱 图上 出 现 差频 以及 和 频 成 分 ， 组 成 一系 列 间隔一 定 的边频 带 ， 对数 运 算 后 ， 平 滑 经 被
维普资讯
第２ ８卷
第 ３期
三峡大学学报（ 自然科 学 版 ）
Ｊｏ ｉａＴｈ ｅ ｒ ｅ ｉ． Ｎａｕ ａ ｃｅ ｃ ｓ ｆ Ｃｈｎ ｒ ｅＧｏ ｇ ｓＵｎｖ （ ｔ ｒｌＳ ｉｎ ｅ ）
Ｖ ｏｌ ８ ＮＯ． ＿２ ３
２０ ０ ６年 ６月
以速度 或加 速度 振动 计作 为测 量仪 表 ， 测量 轴 承 的振 动 峰值 、 方 根 值 或均 值 ， 均 这些 测 量 值 与 允许 的
收 稿 日期 ：０ ６０ 一ｌ ２ ０—３Ｏ
基 金 项 目 ： 北 省 教 育 厅技 术创 新 项 目（０ ５ ０ ） 湖 ２ ０ ０ １ 作者简介 ： 李 伟（９３ ）男 ， １ ６ 一 ， 高级 工程 师 ， 主要 研 究 方 向为 测 控 仪 器 、 械 振 动 信号 处 理 机
（ ｃ ｏ ｌｏ ｅ ｈ ｎ ｃ ｌＥｎ ｉ ｅ ｒｎ Ｓ ｈ ｏ ｆＭ ｃ ａ ｉａ ｇ ｎ ｅ ｉ ｇ，Ｈ ｕ ｅ ｎ ｖ ｏ ｃ ｎ ｌ ｇ ｂｉ Ｕ ｉ ． ｆＴｅ ｈ ｏ ｏ ｙ，Ｗ ｕ ａ ３ ０ ８ ｈ ｎ ４ ０ ６ ，Ｃｈ ｎ ） ｉ ａ
Ａｂ ｔ ａ ｔ Ｔｈｅ ｅ ｆ ｃ ｉ ｅ ｄ ａ ｎｏ ｉ ｓｍ ａ ｏ ｈ ａ ｔ ｈｅ ｒ ｌｅ ａ ｉ ｓ ｂ ｓ ｎ ｈ ｖ ｌｔａ ｌ ｉ ． ｓ ｒ ｃ ｆ ｅ ｔｖ ｉ ｇ ｓｓ ｗａ ｄｅ ｆ ｒ ｔ ｅ ｆ ｕｌｓｏｆｔ ｏ ｌ ｒｂｅ ｒｎｇ ｙ ｕ ｉ ｇ ｔ ｅ ｗａ ｅ ｅ ｎａｙｓｓ Ｂｙ ｕｓｎ ｈｅｍ ｅ ｈｏ ｔ ｅ ｆ ｕｌ ｉ ｇｎ ｓ ｓｏｆｒ ｌｅ ｅ ｒｎ ｓ ｓ ｃ ｅ ｓ ｕｌｙ ｃ ｒ ｉ ｄ ｏ ． ｉ ｇ ｔ ｔ ｄ， ｈ ａ ｔｄ ａ ｏ ｉ ｏ ｌ ｒ ｂ ａ ｉ ｇ ｉ ｕ ｃ ｓ ｆ ｌ ａ ｒｅ ｕｔ Ｋｅ ｗｏ ｄ ｒ ｌｒ ｂｅ ｒｎｇ； ｆ ｕｌ ａ ｏｓｓ ｗａ ｌ ｔａ ｌ ｓｓ； ｖｉ ａ ｉ ｉ ａ ｙ ｒｓ ｏｌｅ ａ ｉ ａ ｔｄｉｇｎ ｉ ； ｖｅｅ ｎａ ｙ ｉ ｂｒ ｔｏｎ ｓｇｎ ｌ