机械故障诊断的信号处理方法：频域分析
机械故障诊断第三章信号分析
t 0
图3.5 相关滤波
（3）时域平均滤波：这是从叠加有白噪声干扰的信号中提取周期性信号S （t）的一种很有效的方法。如果一信号x(t)由周期信号s(t)和白噪声n(t)组成， 则
x(t)=s(t)+n(t) 我们以s(t)的周期去截取信号x(t)，共截得N段，然后将各段对应点相加，由 于白噪声的不相关性，可得到
功率与噪声功率之比，一般用分贝（dB）表示。
SNR＝10log（Ps/Pn）
（3.1）
式中 SNR－信噪比（signal noise ratio）。
Ps，Pn－分别为有用信号功率与噪声功率。
滤波的实质是去除或抑制某些频率范围内信号 成分。信号中有用成分s(t)与噪声n(t)的关系大体 上有以下几种关系：
频率范围的有用信号。为了获得良好的选择性， 滤波器应以最小的衰减传输有用频段内的信号 （称为通频带），而对其他频段内的信号（称为 阻频带）则给予最大的衰减。位于通频带与阻频 带界线上的频率称为截止频率。
滤波器根据通频带可分为：
低通滤波器
能传输0～f0频带内的信号；
高通滤波器
能传输f0~∞频带内的信号；
（2）解卷积的同态滤波方法
在有多径反射和混响环境下作声强分析，会出现干扰 与所需信号的卷积。在测量齿轮故障时，故障源引起的冲 击为激励信号，我们在箱体上测到的是该激励通过轴－轴 承－箱体传递途径得到的振动响应信号，因此这振动信号 就是激励信号与传递特性的卷积。我们往往要将它们分开， 分别研究故障源的特性和传递特性。
②SS (ω)和 Sn (ω)部分重叠：如图3.3（b）所示的情形，如用合 适的滤波器将非重叠部分的噪声去除，也能改善信噪比。
S(ω)
S(ω)
频域分析方法在故障检测与诊断系统中的应用研究
频域分析方法在故障检测与诊断系统中的应用研究概述：故障检测与诊断是保障设备运行稳定性和可靠性的重要任务之一。
频域分析方法作为一种有效的信号处理工具，在故障检测与诊断系统中得到广泛应用。
本文将探讨频域分析方法在故障检测与诊断系统中的应用研究，包括其原理、方法及实际应用案例。
一、频域分析方法的原理频域分析是一种将信号从时域转换到频域的方法，通过分析信号在不同频率上的成分和特征，可以更好地理解信号的性质和故障特征。
常用的频域分析方法包括傅里叶变换、小波变换和功率谱分析等。
其中，傅里叶变换是最基本的频域分析方法之一，通过将信号分解为一系列正弦和余弦函数的和，可以得到信号在不同频率上的振幅信息，从而判断是否存在故障。
二、频域分析方法在故障检测与诊断系统中的应用1. 基于频谱分析的故障检测与诊断频谱分析方法将信号转换为频谱图，通过观察频谱图上的特征，可以直观地了解信号的频率分布和故障特征。
例如，在电力系统中，通过对电力负荷信号进行频谱分析，可以检测到潜在的故障情况，如电机轴承故障、传动系统异常等。
2. 基于谐波分析的故障检测与诊断谐波分析是指将信号分解为基波、谐波和其他非谐波成分的过程。
在故障检测与诊断中，谐波分析常用于电气设备的故障诊断。
通过分析电流和电压信号的谐波成分，可以判断设备是否存在电气故障，如绕组短路、接触不良等。
3. 基于小波变换的故障检测与诊断小波变换是一种将信号分解为不同频率的基函数的方法。
在故障检测与诊断系统中，小波变换可以提取信号的瞬时特征和频率特征，并能够有效地检测出瞬时故障和周期性故障。
例如，在机械系统中，通过对振动信号进行小波变换，可以判断轴承的疲劳失效和损伤程度。
三、频域分析方法的实际应用案例1. 电力系统故障检测与诊断频域分析方法在电力系统故障检测与诊断中得到了广泛的应用。
通过对电流和电压信号进行频谱分析和谐波分析，可以实时监测电力设备的运行状态，并及时发现潜在的故障。
例如，对电力变压器的SF6气体放电信号进行频谱分析，可以检测到设备绝缘的故障情况。
机械振动信号的故障诊断方法
机械振动信号的故障诊断方法引言：在机械设备运行过程中，振动信号是一种常见的故障指示现象。
通过分析和诊断振动信号，可以及早发现机械故障，采取正确的维修和保养措施，确保设备的正常运行。
本文将探讨涉及机械振动信号的故障诊断方法，旨在提供有关该领域的深入了解。
一、频谱分析法频谱分析法是最常用的机械振动信号分析方法之一。
通过将振动信号转换为频谱图，可以清晰地观察到不同频率分量的振动强度，从而判断设备是否存在故障。
频谱分析法的基本原理是将时域信号转换为频域信号。
常见的频谱分析方法包括傅里叶变换、小波分析等。
傅里叶变换能够将振动信号转化为频谱图，显示出信号中各个频率分量的振动幅值。
小波分析则更加适用于非平稳信号的分析，能够更好地捕捉到故障信号中的瞬态、突变等特征。
二、特征提取法特征提取法是通过提取振动信号的某些指标或特征参数，来判断机械设备是否存在故障。
常用的特征参数包括峰值、裕度、脉冲指标、峭度等。
这些参数可以用来描述振动信号的振动幅值、尖锐程度、频率分布等属性。
特征提取法的优点是简单明了，能够直观地了解机械设备的振动特征。
然而，对于复杂的振动信号和多种故障模式，单一的特征参数可能并不能提供足够的信息，因此需要结合其他方法进行综合分析。
三、模式识别法模式识别法将机械故障诊断问题归纳为模式分类问题，通过建立适当的分类器，判断设备的故障类型。
常见的模式识别方法包括神经网络、支持向量机、随机森林等。
模式识别法的优点是能够针对复杂的机械故障模式进行自动化分析和诊断，发现常规方法可能无法察觉到的故障特征。
然而，模式识别法需要大量的训练数据和适当的特征提取方法，才能取得较好的诊断效果。
四、频域分析法频域分析法是对振动信号进行频域特性分析的一种方法。
通过计算信号的功谱密度谱或功率谱密度谱，可以获取信号在不同频率上的能量分布情况。
频域分析法能够清晰地展示出不同频率分量在振动信号中的贡献程度，从而判断故障模式的频率范围。
例如，对于轴承故障常见的故障频率，可以通过频域分析法准确判断设备是否存在轴承故障。
机械振动信号的特征提取与故障识别
机械振动信号的特征提取与故障识别引言：机械振动信号是机械系统中常见的一种信号，它可以提供有关机械设备状态的重要信息。
通过对机械振动信号进行特征提取和故障识别，可以实现对机械设备的状态监测、故障预警和维修计划的制定。
本文将介绍机械振动信号的特征提取方法和故障识别算法，以及其在实际应用中的重要性和挑战。
一、机械振动信号的特征提取机械振动信号通常包含振幅、频率和相位等信息。
特征提取是通过对振动信号进行数学处理和分析，提取其中蕴含的有用信息。
常见的特征提取方法包括时域分析、频域分析和时频域分析。
1. 时域分析时域分析是对振动信号在时间域上进行直接观测和分析的方法，常用的分析指标包括均值、峰值、均方根值等。
时域分析方法简单直观，适用于对振动信号中长期趋势和瞬时变化等进行分析。
2. 频域分析频域分析是通过将振动信号转换到频域进行分析的方法，可以得到信号的频谱特性。
常用的频域分析方法包括傅里叶变换、功率谱密度估计和小波分析等。
频域分析可以用于提取信号的谐波成分、频率响应和共振频率等特征。
3. 时频域分析时频域分析是将振动信号同时在时间域和频域进行分析的方法，可以获得信号的瞬时频率和能量分布等特征。
常用的时频域分析方法包括短时傅里叶变换、连续小波变换和瞬时频率分析等。
时频域分析可以用于对振动信号中快速变化和非稳态特性的分析。
二、机械故障的识别方法机械故障通常会引起机械振动信号的异常变化，通过对振动信号的特征进行分析和比较，可以实现对机械故障的自动识别。
常见的机械故障识别方法包括模式识别、统计分析和机器学习等。
1. 模式识别模式识别是通过对振动信号的特征进行分类和匹配，判断信号的状态是否处于正常或故障的方法。
常用的模式识别算法包括支持向量机、人工神经网络和随机森林等。
模式识别方法需要先建立故障模式库，并通过训练和分类来实现故障的识别。
2. 统计分析统计分析是通过对振动信号的统计特性进行分析，判断信号是否符合某种统计规律的方法。
机械故障诊断学-03-时域频域分析
均方根值则相反，对早期故障不敏感，但稳定性良 好，随着故障发展单调上升。
实际使用时，可以同时用峭度指标(或裕度指标)与 均方根值进行故障监测，以兼顾敏感性与稳定性。
xcorr(x)：计算x序列的自相关序列； xcorr(x,y)：计算x,y的互相关序列； cov(x)：计算x的自协方差序列（信号去掉均值 后的自相关）； cov(x,y)：计算x,y的互协方差（两个信号均去 掉均值后的互相关）； corrcoef(x)：计算自相关系数； corrcoef(x,y)：计算互相关系数；
2 x
(x x)2 p(x)dx 1
T
T (x x)2 dt 1
0
N
N
(xi
x)2
X2 rms
2
X
i1
方差反映信号的分散程度。
歪度：(skewness)
x3
p( x)dx
1
T
T
1
x 3 dt
0
N
N
xi 3
i1
歪度α反映幅值概率密度函数对纵轴的不对称性，α
越大越不对称。
上午9时3分
y(t)
*：频域卷积 Y(f)
t
f
X(f)*Y(f) f
上午9时3分
这些正弦信号的幅值 和相位与频率有关；
n
其中：cn
1 T
T
2 T
x(t)e jn0t dt
2
频率、相位与频率的 关系图Байду номын сангаас为频谱。
上午9时3分
频域分析在故障诊断和故障处理中的应用研究
频域分析在故障诊断和故障处理中的应用研究1. 引言随着现代工业的高速发展，设备故障诊断和处理变得越来越重要。
频域分析作为一种常用的信号处理方法，在故障诊断和处理领域发挥着重要作用。
本文将探讨频域分析在故障诊断和处理中的应用。
2. 频域分析的基本原理频域分析是将时域信号转化为频域信号的过程。
它通过将时域信号进行傅里叶变换，将其分解为不同频率的成分，从而得到信号的频谱分布。
频域分析可以帮助我们了解信号的频率特性、幅值特性和相位特性。
3. 频域分析在故障诊断中的应用3.1 故障特征频率提取频域分析可以帮助我们提取故障特征频率，从而判断故障的类型。
不同故障类型对应的故障特征频率是不同的，在频域中可以清晰地识别出故障所对应的频率成分，从而精确诊断故障。
3.2 振动信号分析振动信号常常用于故障诊断，频域分析可以帮助我们分析振动信号的频率成分。
通过对振动信号进行频域分析，我们可以分析设备的动态特性、共振现象和振动幅值。
这对于故障诊断和预防很重要。
3.3 声音信号分析声音信号在故障诊断中也是常用的，频域分析可以用于分析声音信号的频谱特性。
不同故障类型会产生不同的声音频谱特征，通过对声音信号进行频域分析，我们可以精确地判断故障类型。
4. 频域分析在故障处理中的应用4.1 滤波处理频域分析可用于滤波处理。
通过分析信号的频率成分，我们可以选择性地滤除不需要的频率成分，从而得到干净的信号，减少噪声干扰，有利于故障处理。
4.2 故障模式识别频域分析可以帮助我们建立故障模式，从而实现故障的自动识别和分类。
通过对正常操作和故障状态下信号的频域特征进行比较和分析，我们可以建立故障模式，从而帮助我们快速准确地识别故障。
4.3 故障预测频域分析可用于故障预测。
通过对设备的频域信号进行长期监测和分析，我们可以检测到设备运行状态的变化并预测可能的故障。
这有助于我们及时采取预防和维护措施，降低停机时间和维修成本。
5. 案例研究为了验证频域分析在故障诊断和处理中的应用，我们进行了一些实际案例的研究。
机械振动信号的频谱分析与故障识别
机械振动信号的频谱分析与故障识别振动是机械设备运行过程中常见的现象，但当机械设备发生故障时，振动信号会发生变化，成为故障的重要指示。
为了准确判断机械设备故障原因，频谱分析成为一种常用的方法。
本文将探讨机械振动信号的频谱分析方法及其在故障识别中的应用。
一、频谱分析的基本原理频谱分析是将信号在频率域上进行分解，将信号分解成一系列频率成分的方法。
在机械振动信号的分析中，通常使用傅里叶变换将时域信号转换为频域信号。
傅里叶变换将振动信号分解成一系列正弦波，每个正弦波表示一种特定频率的振动成分。
通过分析每个频率成分的振幅和相位，就可以了解机械设备的振动状况和故障特征。
二、频谱分析在故障诊断中的应用1. 轴承故障诊断轴承是机械设备中常见发生故障的部件。
轴承故障通常表现为高频振动成分的增加。
通过频谱分析可以清晰地观察到高频部分的振动信号，进而判断轴承的磨损程度和故障类型。
2. 齿轮故障诊断齿轮传动是机械设备中常见的传动方式，但齿轮在长时间运行后容易出现故障，如齿面磨损、断齿等。
这些故障会产生特定的频率成分，通过频谱分析可以直观地观察到对应的频率峰值，进而确定齿轮故障的位置和类型。
3. 泵故障诊断泵是常见的机械设备之一，其内部复杂的运动机构容易受到外界因素的影响。
频谱分析可以帮助识别泵的不同故障类型，例如轴承故障、叶片磨损等。
三、频谱分析方法频谱分析有多种方法，常见的有傅里叶变换、快速傅里叶变换（FFT）、小波变换等。
1. 傅里叶变换傅里叶变换是一种精确的频谱分析方法，但计算量较大，不适用于实时监测。
可以通过将信号分段，再进行傅里叶变换来解决这一问题。
2. 快速傅里叶变换（FFT）FFT是一种将信号进行快速傅里叶变换的算法，通过采样和插值的方法，可以有效地降低计算时间。
FFT广泛应用于机械振动信号的频谱分析，尤其适用于实时监测和故障诊断。
3. 小波变换小波变换是一种时频分析方法，在处理非稳态信号方面比傅里叶变换更具优势。
基于时域和频域分析的滚动轴承故障诊断
基于时域和频域分析的滚动轴承故障诊断一、本文概述随着工业技术的不断发展，滚动轴承作为旋转机械中的关键部件，其运行状态直接影响到设备的性能与安全性。
然而，由于工作环境的恶劣、长时间运行以及维护不当等因素，滚动轴承常常会出现各种故障，如疲劳剥落、磨损、裂纹等。
这些故障不仅会降低设备的运行效率，还可能引发严重的安全事故。
因此，对滚动轴承进行故障诊断技术的研究具有重要意义。
本文旨在探讨基于时域和频域分析的滚动轴承故障诊断方法。
文章将简要介绍滚动轴承的工作原理及其常见故障类型，为后续的分析和诊断奠定基础。
然后，重点阐述时域分析和频域分析的基本原理及其在滚动轴承故障诊断中的应用。
时域分析主要关注轴承振动信号的时序特征，通过提取信号中的幅值、相位、频率等信息，揭示轴承的运行状态。
而频域分析则通过对信号进行频谱转换，分析轴承在不同频率下的振动特性，进一步识别潜在的故障特征。
通过结合时域和频域分析，本文旨在提供一种全面、有效的滚动轴承故障诊断方法。
这种方法不仅能够准确识别轴承的故障类型，还能对故障程度进行定量评估，为设备的维护和管理提供有力支持。
本文还将对现有的故障诊断方法进行比较和评价，探讨各种方法的优缺点及适用范围，为相关领域的研究和实践提供参考和借鉴。
二、滚动轴承故障类型及原因滚动轴承作为机械设备中的重要组成部分，其运行状态直接影响到整个设备的性能和稳定性。
因此，对滚动轴承的故障诊断至关重要。
滚动轴承的故障类型多种多样，主要包括疲劳剥落、磨损、腐蚀、裂纹和塑性变形等。
这些故障的产生往往与多种因素有关，如材料质量、制造工艺、运行环境、操作维护等。
疲劳剥落是滚动轴承最常见的故障类型之一，主要是由于轴承在循环应力作用下，材料表面发生疲劳破坏，形成剥落坑。
疲劳剥落的原因主要包括轴承材料的疲劳强度不足、循环应力过大、润滑不良等。
磨损是轴承在运行过程中，由于摩擦力的作用导致材料逐渐损失的现象。
磨损的原因主要包括润滑不良、异物侵入、材料耐磨性不足等。
机械测试信号时域和频域特征分析
DFT与FFT
3.1.1
3.1.
3.1.3
Sx(f)与Sxy(f)是随机信号的频域描述函数。Sx(f)表示信号的功率密度沿频率轴的分布，故又称Sx(f)为功率谱密度函数。
3.2
功率谱的定义式为
若X（Ω）=DFT[x(m)]，x(n)为N点序列。则
X （Ω）=DFT[x (-m)]
从而有DFT[R(M)]= DFT[x(m)] DFT[x (-m)]
机械测试信号时域和频域特征分析
1.1
机械信号是指机械系统在运行过程中各类随时间变化的动态信息，经各类测试仪器拾取并记录与存储下来的数据或者图像。机械设备是工业生产的基础，而机械信号处理与分析技术则是工业进展的一个重要基础技术。
随着各行各业的快速进展与各类各样的应用需求，信号分析与处理技术在信号处理速度、分辨能力、功能范围与特殊处理等方面将会不断进步，新的处理激素将会不断涌现。当前信号处理的进展要紧表现在：1.新技术、新方法的出现；2.实时能力的进一步提高；3.高分辨率频谱分析方法的研究三方面。
2.3
2.3.1
图2.8噪声Leabharlann -自有关.jpg如图所示：自有关函数消除了大量的噪声，周期成分变得非常明显。
原始信号的时域处理结果：
平均值：0.0184
极小值：-2.8138
极大值：2.8557
标准差：1.0103
方差：1.0207
峰峰值：5.6695
第
信号处理中，傅立叶变换把一个随机信号解析成不一致频率的正弦波，使信号的频域分析称之可能。由于计算机技术的进展，在微机上直接使用离散傅立叶变换变得非常方便，这使得频域分析称之常用的处理方法。常用的频域分析方法包含自谱、功率谱、倒谱等。
基于频域分析的电机故障诊断与预防
基于频域分析的电机故障诊断与预防电机是工业生产过程中不可或缺的设备，在正常运行中可能会遇到各种故障，这些故障会导致设备停机、生产任务延误，甚至增加设备维修和更换的成本。
因此，电机的故障诊断与预防显得尤为重要。
本文将介绍一种基于频域分析的电机故障诊断与预防方法。
频域分析是一种从时域信号转换到频域信号的分析方法。
在电机故障诊断中，可以通过对电机运行时的电流和振动信号进行频谱分析，来寻找故障的特征频率。
首先，我们需要获取电机运行时的电流和振动信号。
电流信号可以通过电流传感器或功率仪表获取，振动信号可以通过加速度传感器或振动传感器获取。
然后，对获取到的原始信号进行采样和滤波处理，以去除信号中的噪声和干扰。
接下来，将滤波后的信号进行傅里叶变换，将时域信号转换为频域信号。
得到的频谱图中，不同频率的能量分布反映了不同频率成分对信号的贡献程度。
通过观察频谱图，我们可以发现异常频率成分，从而判断是否存在电机故障。
常见的电机故障诊断频率包括轴承故障频率、不平衡频率、电花频率等。
例如，轴承故障通常表现为在轴承频率附近出现异常能量峰，不平衡问题则表现为在倍频频率上的异常能量峰。
根据不同的故障类型和故障程度，频谱图中的异常能量分布会有所不同。
为了进一步诊断故障类型和程度，可以利用专业的故障指标，如故障指数、故障度量等。
这些指标是通过对频谱图进行数学运算和统计分析得出的，能够准确描述电机故障的类型和程度。
通过对故障指标的分析和对比，我们可以识别出电机中存在的故障，并判断其严重程度。
除了故障诊断，频域分析还可以用于电机故障预防。
通过定期对电机进行频谱分析，可以及时发现潜在的故障迹象，采取相应的维护措施，避免故障的发生。
例如，当频谱图中出现异常能量分布时，可以立即检查电机各部件的状况，进行必要的修复和更换。
此外，通过对频谱图的长期监测和分析，可以建立电机故障的历史数据库，为故障预测和维护提供参考。
通过对历史数据的分析，可以识别出故障的规律和趋势，进一步优化电机的维护计划和运行管理。
- 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)。
机械故障诊断的信号处理方法：频域分析王金福;李富才【摘要】Frequency-domain analysis is the most conventional method for signal processing in fault diagnosis of machinery. In the literature, a number of frequency-domain-based methods have been applied to detect faults in machinery and each method has its own features. Therefore, selecting appropriate method plays a pivotal role in inspecting defects according to vibration signals. Characteristics of fault-caused vibration signals and frequency-domain-based methods were summarized in this paper using representative examples, so as to establish a rule of selecting appropriate signal methods for extracting vibration features of different mechanical equipments. The results can be used to improve the precision and reliability of several kinds of fault diagnoses for key components in different machinery.% 频域分析方法是机械故障诊断中信号处理最重要和最常用的分析方法，其种类繁多且各具特点。
因而，对工程实际情况要釆用合理的频域分析方法就十分困难。
由此，针对多种的故障类型，根据机械设备关键设备构件的振动特性，为实现机械设备多类不同的故障诊断，在分析和比较了不同的信号处理和特征釆取相应的算法的基础上，再釆用合适的频域分析方法；就能有效地确保诊断分析的精度和可能性。
【期刊名称】《噪声与振动控制》【年(卷),期】2013(000)001【总页数】8页(P173-180)【关键词】振动与波;机械故障诊断;振动信号;特征提取;频域分析【作者】王金福;李富才【作者单位】上海交通大学机械系统与振动国家重点实验室，上海 200240;上海交通大学机械系统与振动国家重点实验室，上海 200240【正文语种】中文【中图分类】TB53频域分析是机械故障诊断中信号处理最重要和最常用的分析方法。
工程上所测得的振动信号一般为时域信号，即描述随时间变化的振动信号变化情况。
然而由于故障的发生、发展往往引起信号频率结构的变化。
例如齿轮箱的齿轮啮合误差，齿面疲劳剥落都会引起周期性的冲击，在时域分析中很难区分，但这些故障在振动信号中就会有对应的频率成分出现。
因此，为了通过所测信号了解、观测对象的动态行为，需要分析频域信号。
将时域信号变换至频域加以分析的方法，称为频域分析，频谱分析的原理是把复杂的时间历程波形，经傅立叶变换分解为若干单一的谐波分量来研究，以获得信号的频率结构以及各谐波幅值、相位、功率及能量与频率的关系。
1 频域分析1.1 幅值谱幅值谱是表征每个频率分量振动幅值大小的频谱图。
它是故障诊断中最常用、最直观的分析手段，不平衡相伴生，表现为非线性的振动特征。
其振动形式以径向垂直振动为主，激振频率除基频成分外，还伴有高次谐波成分3 fr，5 fr，7 fr及分数谐波成分(0.3～0.5)fr，fr为旋转频率。
幅值谱分析广泛应用于齿轮的故障诊断中。
齿轮的振动频谱图的谱线一般有：齿轮的转动频率及其低阶谐频、齿轮的啮合频率及其倍频、啮合频率的边频带和齿轮幅的各阶固有频率等。
其中，齿轮副的固有频率是由于齿轮啮合时齿间撞击而引起的齿轮自由衰减振动，它们位于高频区且振幅较小，易被噪声信号淹没。
齿轮振动的频谱图包含丰富的信息，不同的振动特点，其相应的谱线发生特定的变化，因而对齿轮各种作状态的频谱进行分析，从中可确定其故障。
不同轴齿轮、局部异常齿轮的时域波形和频谱具有明显的特征[2]，如图1所示。
由幅值谱图的变化规律及故障特征频率即可诊断一般性故障类型。
通过对幅值谱的分析可以解决以下问题：(1)求得振动参数量中的各个频率成分和频率分布的范围；(2)求出振动参数量中各个频率成分的幅值的大小，从而得到影响设备状态的主要频率值及其对应的幅值大小。
对于特殊的机械设备故障，其幅值谱具有明显的振动频率特征，现场工程师了解这些特征后便可以准确判断机械设备的故障类型，进而进行维修与改善[1]：(1)转子不平衡：振动的激振频率为单一的旋转频率即工作频率，而无其它倍频成分；(2)转子不对中：转子不对中是指转子中心与轴承中心不对中或多转子系统中各转子的轴线不对中，其产生原因如下：转子及支座安装不良轴承支座由不均匀膨胀引起变形，地基下沉。
转子不对中相当于在联轴器端输入某种激励，对刚性联轴器及齿轮联轴器，其径向激振频率除旋转频率 fr由角度不对中引起外，主要以旋转频率的二倍频或四倍频为主，且伴有高次倍频n·fr(n=6，8……)。
轴向振动频谱由基频及其谐波组成，基频具有峰值；(3)基座或装配松动：基座或装配松动常和转子图1 不同故障齿轮时域波形和频谱对比：(a)不同轴齿轮的时域波形和频谱；(b)局部异常齿轮的时域波形和频谱Fig.1 Waveforms and spectrums of different gear faults频谱分析技术同样广泛应用于具有明显特征的NVH现象（Noise，Vibrationand Harshness，噪声、振动、声振粗糙度）的汽车故障诊断[3]，煤气鼓风机、增压鼓风机增速箱振动[4]、发电机转子[5]等旋转机械的故障诊断。
对于机械设备的故障诊断，除了必要的设备故障诊断仪器及专家系统等处理软件，工程技术人员还必须掌握相当高的设备故障诊断专业知识，具有丰富的解决机械故障的实践经验，二者结合起来才能及时消除设备故障。
总结不同故障的振动信号特征能够为现场工程师提供必要的参考，丰富其经验，保证故障诊断的可靠性。
1.2 功率谱功率谱反映了随机信号各频率成份功率能量的分布情况，可以揭示信号中隐含的周期性及靠得很近的谱峰等有用信息，应用极其广泛，例如，在语音信号识别、雷达杂波分析、地震勘探信号处理、水声信号处理、系统辨识中非线性系统识别、物理光学中透镜干涉、流体力学的内波分析、太阳黑子活动周期研究等许多领域发挥了重要作用。
对于机械设备各种特征频率的确定是对设备进行故障诊断的基础，当机械设备发生故障时；多般在某些特征频率附近出现明显的峰值，功率谱是反映各频率成分能量分布的关系，更容易得到峰值出现位置处所对应的频率，与设备特征频率进行对比分析，便可得到设备的故障类型。
实际应用中的平稳随机信号通常是有限长的，只能根据有限长信号估计原信号的真实功率谱，这就是功率谱估计。
功率谱估计分为经典谱估计和现代谱估计。
经典谱估计是将数据工作区外的未知数据假设为零，相当于数据加窗，主要方法有相关法和周期图法。
现代谱估计是通过观测数据估计参数模型再按照求参数模型输出功率的方法估计信号功率谱，主要是针对经典谱估计的分辨率低和方差性能不好等问题提出的，应用最广的是AR参数模型[6]。
功率谱估计中的相关函数法和周期图法所得到的结果是一致的，其特点是离散性大，曲线粗糙，方差较大，但是分辨率较高。
现代谱估计方法曲线比经典谱估计方法光滑，其处理结果的方差也要比经典谱估计方法处理的结果小。
当数据长度长，谱分辨率高，现代功率谱估计与经典功率谱估计的选取对分析结果影响不大；对一组冲击数据进行谱估计，由于冲击振动的特点，时间短，所以振动峰值的数据点数很少。
用经典功率谱估计，得到的频率分辨很低，容易造成谱形奇变；用现AR参数模型估计，频率分辨率不受数据长短的限制，谱形真实。
经典法频率分辨率低，谱线偏移较为严重；现代谱估计的频率分辨率高，精度高，在冲击信号分析处理中的应用广泛。
在工程设计中，根据经验，短数据如冲击谱分析，用经典功率谱估计不合适，采用现代AR模型比较合适，阶次的选取在一般为数据长度的1/6～1/5；长数据如振动谱分析用经典功率谱比较合适[7]。
以功率谱分析法在泵轴承故障监测中的应用[8]为例。
泵既有齿轮的回转运动，又有曲轴连杆的往复运动。
这对于把振动检测技术运用到其它机械传动装置的故障监测，将有很好的借鉴作用。
泵测点布置遵循最靠近振源、界面最少原则。
啮合频率459 Hz以下有两个谱强度很高的振动179 Hz和300 Hz。
按理论计算，在啮频以下只有轴承的特征频率。
所以，这两个谱峰应该是小齿轮轴承滚道缺陷所致。
该泵各测点啮频谱强度并不高，但是啮频以下在169～250 Hz有两个谱强度较高的振动，而以3、4两测点为最高，这都与该处小齿轮轴大机壳一侧轴承的特征频率内滚道缺陷237 Hz、外滚道缺陷179 Hz是相一致的。
功率谱分析通常也与其他信号处理方法综合应用于机械设备的故障诊断中，其中经验模态分解（EMD）结合功率谱方法相结合，在轴承故障诊断中，对于滚动体故障、外圈故障等不同的故障类型，在IMF功率谱曲线中，与故障特征频率近似集合的频率处具有明显的峰值，取得了很好的分析效果[9]。
图2 轴承点蚀剥落的典型图谱Fig.2 Spectrum of the corrosive pitting图3 轴承表面凹坑的典型图谱Fig.3 Spectrum of the surface cavity测量噪声频谱、检验埋没在宽带噪声中的窄带信号，飞行器实测数据的分析，以及用噪声激励法估计线性系统的参数等，都要应用到功率谱估计。
因此，随机信号的功率谱估计是当前信号处理中的一个重要的研究课题。
在经典功率谱的基础上出现了功率谱熵、矢功率谱很多新的功率谱分析方法，在机械设备故障诊断中同样发挥着不容忽视的作用 [10，11]。
1.3 倒频谱倒谱变换主要有两种分析方法：复倒谱分析和实倒谱分析。
复倒谱分析保留了信号的全部信息，能够对信号的回声进行检测；实倒谱分析则在变换过程中保留了信号的频谱幅度信息，摒弃了相位信息，所以不能够对信号进行重建，但是可以利用它来进行重建一个最小相位信号[12]。
倒频谱分析具有极强的信号识别功能，能较好地检测功率谱上的周期成分。