机械故障诊断技术4信号特征提取技术
机械设备故障诊断经典问题及答案详解
机械设备故障诊断包括哪几个方面的内容？答：机械设备故障诊断所包含的内容可分为三部分。
第一部分是利用各种传感器和监测仪表获取设备运行状态的信息，即信号采集。
采集到的信号还需要用信号分析系统加以处理，去除无用信息，提取能反映设备状态的有用信息（称为特征信息），从这些信息中发现设备各主要部位和零部件的性能是处于良好状态还是故障状态，这部分内容称为状态监测，它包含了信号采集和信号处理。
第二部分是如果发现设备工作状态不正常或存在故障，则需要对能够反映故障状态的特征参数和信息进行识别，利用专家的知识和经验，像医生诊断疾病那样，诊断出设备存在的故障类型、故障部分、故障程度和产生故障的原因，这部分内容称为故障诊断。
第三部分称为诊断决策，根据诊断结论，采取控制、治理和预防措施。
在故障的预防措施中还包括对设备或关键零部件的可靠性分析和剩余寿命估计。
有些机械设备由于结构复杂，影响因素众多，或者对故障形成的机理了解不够，也有从治理措施的有效性来证明诊断结论是否正确。
由此可见，设备诊断技术所包含的内容比较广泛，诸如设备状态参数（力、位移、振动、噪声、裂纹、磨损、腐蚀、温度、压力和流量等）的监测，状态特征参数变化的辨识，机器发生振动和机械损伤时的原因分析，故障的控制与防治，机械零部件的可靠性分析和剩余寿命估计等，都属于设备故障诊断的范畴。
监测与诊断系统应具备有哪些工作目标？监测与诊断系统的一般工作过程与步骤是怎样的？1) 能了解被监测系统的运行状态，保证其运行状态在设计约束之内；2) 能提供机器状态的准确描述；3) 能预报机器故障，防止大型事故产生，保证人民生命的安全。
故障诊断技术的实施过程主要包括：诊断文档建立和故障诊断实施其中故障诊断技术在实施过程中包括以下几个关键的内容： 1状态信号采集 2故障特征提取 3技术状态识别 4o 维修决策形成。
什么是转子的临界转速？挠性转子是如何定义的？答：1）当转子的转速达到横向振动的一阶自振频率时，将发生一阶共振，此时的转速即为临界转速。
振动信号特征提取方法研究
振动信号特征提取方法研究振动信号是机械设备故障诊断中常用的一种信号，通过对其进行特征提取可以实现对机械设备的故障诊断。
因此，振动信号的特征提取方法的研究具有十分重要的意义。
1. 振动信号特征提取方法简介振动信号特征提取方法指的是在振动信号中提取有代表性的特征，并对这些特征进行分析和判断，以实现对机械设备的故障诊断。
振动信号的特征一般包括时间域特征、频域特征和时频域特征。
2. 时间域特征提取方法时间域特征是指振动信号在时间轴上的特征，包括振动信号的波形、幅值、峰值等。
常用的时间域特征提取方法有：（1）均方根值法。
该方法需要计算振动信号的均方根值，通过均方根值可以判断振动信号的大小、稳定性和周期性等特征。
（2）峰值指标法。
该方法主要是通过计算振动信号的峰值指标，在峰值指标达到一定的阈值时，可以判断机械设备是否发生故障。
（3）小波包分解法。
该方法是一种无损压缩技术，可以将信号按不同的层次进行分解，得到不同的频率分量和振幅等信息，从而实现振动信号的特征提取和分析。
3. 频域特征提取方法频域特征是指振动信号在频域上的特征，包括振动信号的频谱、功率谱、谐波分析等。
常用的频域特征提取方法有：（1）快速傅里叶变换法。
该方法是一种时间信号转换为频率信号的方法，可以将振动信号转换到频率域进行分析。
（2）小波变换法。
该方法是一种局部变换技术，可以将信号按不同的尺度进行分解，并可得到时间频率、尺度频率等信息，从而实现对振动信号的特征提取和分析。
（3）功率谱分析法。
该方法是一种通过计算信号的功率谱密度函数，确定信号在频率分量上的能量分布，从而实现对振动信号的特征提取和分析。
4. 时频域特征提取方法时频域特征是指振动信号在时间和频率域上的特征，主要是通过小波分析法和时频谱分析法进行分析。
时频分析是一种将时域和频域特征融合在一起的分析方法，可以得到更加全面和准确的振动信号特征。
5. 振动信号特征提取方法的应用振动信号特征提取方法的应用主要是在机械设备故障诊断和维护中。
基于 matlab 的机械故障诊断技术案例教程
基于 matlab 的机械故障诊断技术案例教程机械故障诊断技术是通过分析机械设备的运行状态、振动、声波等数据，以识别和定位故障的技术手段。
在此案例教程中，我们将详细介绍基于MATLAB的机械故障诊断技术。
一、故障诊断技术的基本原理故障诊断技术是通过对机械设备的振动、声音等信号进行分析来判断设备运行是否正常。
在机械故障诊断过程中，需要收集设备的振动和声音数据，并进行合理的处理和分析。
二、使用 MATLAB 进行机械故障诊断的案例在此案例中，我们将以离心泵为例，介绍基于 MATLAB 的机械故障诊断技术的应用。
1. 数据采集：从离心泵中采集振动和声音数据，并将其存储为数值形式的文件。
2. 数据预处理：使用MATLAB 对采集到的数据进行预处理，包括去噪、滤波、降采样等操作，以便后续的信号分析和故障诊断。
3. 特征提取：使用 MATLAB 对预处理后的数据提取特征。
常用的特征包括频域特征、时域特征、小波包特征等。
4. 特征选择：根据实际情况，使用 MATLAB 对提取到的特征进行选择，筛选出与故障相关的特征。
5. 故障诊断模型建立：使用 MATLAB 构建故障诊断模型，可以采用机器学习算法、人工智能技术等。
6. 故障诊断与预测：使用构建好的故障诊断模型，对新的数据进行诊断和预测。
通过与已知故障样本进行比对，可以准确判断设备是否出现故障，并预测故障类型。
三、案例教程中的注意事项在进行机械故障诊断时，需要注意以下几点：1. 数据采集要准确可靠，确保采集到的数据具有代表性。
2. 数据预处理要注意去除噪声、滤除干扰，并保留有用的信号。
3. 特征提取要选择合适的特征，能够准确反映机械设备的运行状态。
4. 模型建立要根据实际情况选择合适的算法和技术，同时需要考虑模型的准确性和计算效率。
5. 故障诊断与预测要结合实际情况进行判断，并及时修复设备故障，避免进一步损坏。
综上所述，通过基于 MATLAB 的机械故障诊断技术案例教程，我们可以学习到使用 MATLAB 进行机械故障诊断的基本原理和方法，帮助我们有效提高设备故障的诊断准确性和效率。
基于人工智能的机械故障诊断与技术研究
基于人工智能的机械故障诊断与技术研究随着科技的不断发展，人工智能逐渐渗透到各个领域中，其中包括机械工程领域。
机械故障诊断是机械维修与保养的重要环节，传统的诊断方式往往需要依靠专业技术人员进行判断和解决，耗费时间且存在主观性高的问题。
而基于人工智能的机械故障诊断技术的出现，将为机械维修与保养带来革命性的变化。
一、人工智能在机械故障诊断中的应用人工智能在机械故障诊断中的应用，主要采用了机器学习、深度学习、模式识别等技术。
通过对大量的故障数据进行分析和训练，人工智能可以从中学习出规律，进而对未知故障进行准确诊断。
1. 数据采集与处理人工智能需要大量的数据来进行训练和学习，因此在机械故障诊断中，首先需要对机械设备进行传感器的布置，实时采集相关的工作状态数据，如温度、压力、振动等。
然后，利用数据处理技术对采集到的数据进行清洗、归一化等操作，以便后续分析和建模。
2. 特征提取与选择在机械故障诊断中，通过对数据进行特征提取和选择，可以提高故障的判别能力。
常用的特征提取方法包括时域、频域和时频域分析等。
通过提取出的特征，可以更好地描述机械设备的故障状态。
3. 模型训练与优化机械故障诊断的关键在于建立准确的故障模型。
利用已有的故障数据，可以通过机器学习和深度学习的方法构建相应的模型，并进行训练和优化。
这些模型可以根据输入的数据，自动进行故障诊断和分类。
4. 故障诊断与预测通过训练好的模型，人工智能可以根据输入的实时数据，进行故障诊断和预测。
尤其是对于一些复杂的故障模式，人工智能能够通过学习和记忆，提高故障的识别率和准确性。
二、基于人工智能的机械故障诊断技术的优势基于人工智能的机械故障诊断技术相比传统的诊断方式，具有以下优势：1. 高效准确人工智能能够利用大数据和强大的计算能力，快速分析和识别机械故障。
相比传统方式，减少了人为主观因素的影响，提高了诊断的准确性和效率。
2. 实时监测基于人工智能的机械故障诊断技术可以实时监测机械设备的工作状态，发现故障并及时进行处理。
机械振动信号处理和故障诊断方法研究
机械振动信号处理和故障诊断方法研究机械振动信号处理和故障诊断方法是工程领域中一个重要的研究方向。
通过对机械振动信号的处理和分析，可以帮助我们了解机械设备的运行状态，并及时诊断和修复潜在的故障。
本文将探讨一些常见的机械振动信号处理和故障诊断方法。
一、振动信号处理机械设备的振动信号是由设备在运行过程中所产生的微细振动所组成的。
通过对振动信号的处理，我们可以获取到一些重要的信息。
1.1 时域分析时域分析是最常见的一种信号处理方法。
它通过将振动信号转换为时间的函数，来研究信号在时域上的特性。
常用的时域分析方法有均方根、峰值、峭度等。
1.2 频域分析频域分析是将振动信号转换为频率的函数，来研究信号在频域上的特性。
通过对频域分析可以得到信号的频率分布情况，从而判断是否存在故障。
常见的频域分析方法有傅里叶变换、功率谱密度等。
1.3 小波变换小波变换是一种在不同时间和频率上分析信号的方法。
通过小波分析可以将信号的时域和频域特性结合起来，从而得到更为准确的信号特征。
小波分析的一个重要应用是故障特征提取。
二、故障诊断方法在机械设备中，常常会发生各种各样的故障，如轴承故障、齿轮故障等。
通过对振动信号的处理和分析，可以帮助我们及时诊断和预防这些故障。
2.1 特征提取特征提取是从原始振动信号中提取出有用的故障特征。
常见的特征包括频率特征、能量特征、时域特征等。
通过特征提取可以得到反映故障状态的指标，进一步帮助故障诊断。
2.2 模式识别模式识别是一种通过对特征进行分类的方法，用于识别不同的故障类型。
常见的模式识别方法有支持向量机、神经网络等。
通过模式识别可以对不同的故障类型进行区分和分类，从而准确定位故障。
2.3 故障预测故障预测是对振动信号进行时序建模和预测的方法。
通过对历史数据的分析和模型建立，可以预测出未来一段时间内可能发生的故障。
故障预测可以帮助我们采取有效的维修措施，避免设备故障给生产带来损失。
三、案例分析为了更好地了解机械振动信号处理和故障诊断方法的应用，我们以轴承故障为例进行了实际案例分析。
机械故障信号处理与诊断方法研究
兰州交通大学硕士学位论文摘要机械设备故障诊断中，由于机械设备本身结构复杂，加之环境噪声的干扰，导致反映设备运行状态的信息常常被强噪声淹没。
尤其是在机械设备故障早期阶段，提取微弱故障特征更加困难。
此外，故障诊断所需信号主要由布置在结构上的传感器提供，传感器如何布局对故障信号获取及诊断结果至关重要。
本文从振动信号采集和处理的角度出发，针对采集过程中测点优化以及早期微弱故障的诊断两方面展开了研究，前者以泵体测点优化布置为例，后者以轴承故障诊断为例。
主要工作如下：以获取用于故障诊断的最佳信息为目标，实现用有限数量的传感器获得大量信息的同时最大限度的降低冗余信息，采用模糊C均值聚类方法，实现传感器优化布置。
首先，对结构进行模态分析，提取模态振型；其次，根据结构各自由度在重要模态中振型的动力相似性，用模糊C均值聚类对自由度进行分类，从各聚类自由度中筛选出信息较丰富的自由度作为待选测点，基于模态置信准则(modal assurance criterion, MAC)建立目标函数，采用遗传算法进行寻优，实现传感器位置的优化；最后，由模态矩阵奇异值比、Fisher 信息准则、MAC准则三个评价准则构成综合评价指标，对不同的布置结果进行评价。
以某机车泵体为例，仿真结果表明：该方法能在获得大量反映设备运行状态信息的同时有效避免测点聚集，解决了信息冗余问题。
引入改进奇异值分解(singular value decomposition, SVD)及参数优化变分模态分解(variational mode decomposition, VMD)方法，进行早期微弱故障诊断。
首先对原始故障信号进行SVD降噪、微弱故障信号分离，通过包络熵最小、峭度最大原则对其重构矩阵的秩进行优化；其次，对改进SVD降噪后所得信号进行VMD分解，将包络谱幅值峭度和峭度构成新的指标（合成峭度），通过所有本征模态分量(intrinsic mode function, IMF)的合成峭度均值最大原则对VMD的参数进行优化，获得若干IMFs；最后，根据峭度-欧氏距离指标筛选出含故障信息丰富的IMF，求取该IMF的包络谱，将幅值突出处的特征频率与理论值作对比，判断故障类型。
论机械故障诊断的稀疏特征提取及解决方法
论机械故障诊断的稀疏特征提取及解决方法摘要：机械是工业进步的重要产物，其对于社会的发展和进步，有着极为重要的影响。
但是，机械设备在使用的过程中，也经常会出现各种各样的事故。
本文将主要对机械的故障诊断进行分析，探讨解决相关故障的方法和策略。
关键词：机械故障诊断；稀疏特征；解决方法随着现代科学技术的发展和进步，其在各种设备中的应用也越来越广，现代机械设备的结构越来越复杂，功能也在逐渐增多，其全自动化水平在不断的提升。
但是由于外界因素的影响，机械设备在日常使用时，也经常出现各种各样的故障。
下面，笔者将从故障的定义、特征等角度入手，探讨解决的方法和策略一、机械故障的定义与分类1、机械故障的定义当前人们对于机械故障的定义还有一个较为统一的说法，各种资料和文献上的定义也不尽相同，从故障诊断的角度来说，比较流行的一种说法是机械设备在运行过程中表现出异常，不能达到预期的性能要求，或者是表征其工作性能的参数超过某一规定界限，有可能会导致设备部分或全部丧失功能的现象。
2、机械故障的分类机械故障的类型多种多样，不同分类方法也反映了机械故障的不同侧面，在提取机械故障时，分类的主要目的也是为了使设备能够得到更好的运行，笔者认为，首先可以将其按照原因进行分类，则其一般有劣化故障和人为故障两种不同的类型，所谓的劣化故障是机械设备投入使用之后，随着时间的推移，由于受到了多种因素的影响，其零部件发生了磨损、疲劳、腐蚀和蜕变等现象，这些现象使得机械设备的功能随着时间的推移逐渐降低，由这种原因引发的故障被称作为劣化故障或者是时间相关故障。
而人为故障则主要是因为企业的管理制度不健全、工作人员设备使用不当等原因造成的，这种故障又被称为错误故障。
其次，则可以按照故障持续的时间进行分类，其一般可以分为临时性故障和持久性故障。
临时性故障持续的时间比较短，在故障期内设备可能会丧失某些局部的功能。
而持久性故障发生的时间比较久，在故障发生之后，设备就无法正常的运行，其会一直持续到故障修复或者是相关零部件更换之后才会停止故障，并保证设备的正常运行。
机械制造中的智能监测与故障诊断
机械制造中的智能监测与故障诊断智能监测与故障诊断系统在现代机械制造领域发挥着越来越重要的作用。
随着技术的不断进步和自动化的不断提高，机械制造中的智能监测与故障诊断已经成为了提高生产效率和降低故障率的关键手段。
本文将探讨智能监测与故障诊断在机械制造中的应用，并介绍一些相关的技术和方法。
一、智能监测的概念与原理智能监测是指通过传感器、数据采集系统和分析算法对机械设备进行实时的、全面的监测和数据采集，并通过数据分析来评估设备的运行状态和健康状况。
智能监测所采用的传感器可以检测设备的振动、温度、压力等物理量，还可以监测设备的电流、电压、功率等电气量。
通过对这些数据的实时采集和分析，可以及时发现设备的异常行为和潜在故障，从而预测设备的寿命和提前采取维修措施。
智能监测的原理主要包括数据采集、特征提取和故障诊断。
数据采集是通过传感器将设备运行数据转换成电信号，并传输给数据采集系统。
特征提取是对所采集的数据进行预处理和特征提取，将其转换为有用的信息。
故障诊断是通过分析处理过的数据，识别设备的异常行为和潜在故障，并给出相应的维修建议。
二、智能监测与故障诊断的应用在机械制造中，智能监测与故障诊断系统被广泛应用于各种设备和机械部件。
例如，在机床制造中，智能监测系统可以实时监测机床的振动和温度，通过分析振动和温度的变化，可以判断机床是否存在松动、摩擦等故障，并提醒操作人员进行相应的维修。
在汽车制造中，智能监测系统可以监测发动机的温度、油压等参数，并根据这些数据判断发动机是否存在故障，并提醒驾驶员进行检修。
智能监测与故障诊断系统还可以应用于电力设备、飞机制造、轨道交通等领域。
三、智能监测与故障诊断的技术和方法智能监测与故障诊断系统采用了许多先进的技术和方法，包括机器学习、人工智能、模式识别等。
其中，机器学习是一种基于数据的统计建模方法，通过对大量的历史数据进行学习和训练，可以建立预测模型，实现对设备未来状态的预测和故障诊断。
- 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)。
机械故障诊断技术4信号
4．1 信号特征的时域提取方特征提法取技术
• 4．1．1 平均值
平均值描述信号的稳定分量，又称直流分量。
X
1 N
N i1
xi (t)
在平均值用于使用涡流传感器的故障诊断系统中。当 把一个涡流传感器安装于轴瓦的底部（或顶部），其初始 安装间隙构成了初始信号平均值——初始直流电压分量， 在机械运转过程中，由于轴心位置的变动，产生轴心位置 的振动信号。这个振动信号的平均值即轴心位置的平均值 。经过一段时间后，轴心位置平均值与初始信号平均值的 差值，说明了轴瓦的磨损量。
线只发生在基频ω0的整数倍频率上。 3）收敛性 周期信号的高次谐波的幅值具有随谐波次数n
增加而衰减的趋势。
非周期信号的频谱1
机械故障诊断技术4信号 特征提取技术
非周期信号分为准周期信号和瞬变信号。准周期信号
是
由一系列正弦信号叠加组成的，但各正弦信号的频率比不是
有理数，因而叠加结果的周期性不明显。
脉冲函数、阶跃函数、指数函数、矩形窗函数这些工程
i1
X3 rms
除有急回特性的机械设备外，由于存在着某一方向的 摩擦或碰撞，造成振动波性的不对称，使歪度指标Cw增大 。
机械故障诊断技术4信号 特征提取技术
• 4．1．7 峭度指标
峭度指标Cq反映振动信号中的冲击特征。
峭度指标Cq
Cq
1 N
N
( xi x)4
i1
X4 rms
峭度指标Cq对信号中的冲击特征很敏感，正常情况下 应该其值在3左右，如果这个值接近4或超过4，则说明机
• 4．2．3 截断、泄漏与窗函数 机械故障诊断技术4信号 特征提取技术
在故障诊断的信号分析中需要对信号采样，而真实的振 动信号的时间历程是无限长的，采样就是对无限长的信号进 行截取。也就是对x(t)信号乘以窗函数w(t)，当w(t)=0时，乘 积的结果y(t)=0；当w(t)=1时，乘积的结果y(t)=x(t)。根据 富里叶变换的特性，在时域内，2个信号的乘积，对应于这 2个信号在频域的卷积。
平稳定转速运转的机械设备，无论有多少个振动源，其产 生的振动信号都是与转速相关的强迫振动信号，也是周期性信 号。在这个基础上，可以认定：凡是与转速相关的信号属于设 备运转状态信号，与转速无关的信号属于工艺参数信号、结构 参数信号、电气参数信号。
信号分析技术包含了许多种信号分析方法，各种分析方法 都有其适应的范围。评定某个分析方法是否适用于机械故障诊 断，只有一个标准——简洁实用。简洁指该分析方法所依据的 数学基础清晰易懂，实用指用该分析方法所获取的信号特征能 作出明确、合理、有效的解释。
x (t)• w (t) x (f) w (f)
由于w(t)在频谱中是连续无限的函数，它与x(t)信号在 频域的卷积，必然造成x(t)信号的能量分散到w(t)的谱线上， 这就是所谓的谱泄漏。换句话说，就是频域卷积的结果，将 使得在频谱图中出现不属于x(t)信号的谱线，它们是w(t)的 谱线。这些w(t)的谱线中以w(t)的第一旁瓣影响最大。为了 减少谱泄漏，工程上采用下面两种措施。
4.2.4 频混和采样定理
机械故障诊断技术4信号 特征提取技术
如果以xc（t）代表采样获得的数据信号，x（t）代表原始的连续时间信号，
需要注意的是如果在频率比、幅值
比、相位差这三个方面有任一个不
满足以上条件，其叠加的波形便不
是方波。即使所有信号都是周期信
号，只有当各信号的频率比是整数，
其叠加合成信号才表现出周期性特
图4—1 信号的时频关系
征。否则看不到周期性特征。这就是我们明知设备的状态信号都是强
迫周期信号，却很少在波形上看到周期性特征的原因。
相—频图中，棒线的长度表示该信号分量的初相位。
图4—1清楚地反映通过富里叶变换使人们观察信号的角度从时间域转换到频率 域，从而更清楚地观察到信号中所包含的多种频率成分，及各项波形特征参 数。
在频谱图中，我们可以看到哪些是机械运行状态的振动成份（与基准频 率——1轴转频有固定的数学关系的频率成份），它们之中，谁对振动占主导 作用，谁与过去相比，有较大幅值变化，等等，这些状态信息是机械故障诊 断的基础。
• 4．2．2 周期信号与非周期信号的频谱 机械故障诊断技术4信号 特征提取技术
最简单的周期信号是正弦信号
x ( t) A sit n ) ( A s2 ifn t)(
如果正弦信号的周期为T，则它们之间的关系为：
f 1 T 2
富里叶级数说明满足狄利克雷条件的周期信号，可以用正弦函数表
达成富里叶级数的形式： x(t)a0 Ansin0 (tn) n1 ）
周期性方波信号的频谱1
机械故障诊断技术4信号 特征提取技术
ቤተ መጻሕፍቲ ባይዱ
周期性方波信号x(t)从原本意义上是既无开始又无结束 的信号，但可以在一个周期内表述为：
X(t)=
－A T t 0 2
A
0tT
2
对该方波信号x(t)作富里叶变换 可得该方波的富里叶级数描述：
图4—2 周期性方波信号
x ( t ) 4 A si 0 t ) n 4 3 A s (3 i0 t n ) 4 5 A ( s5 i0 t n ) 7 4 A ( s7 i0 t n ) (
域图）。
常用窗函数的时域图和频谱图机械故障诊断技术4信号 特征提取技术 图4—6 矩形窗的时域、频域曲线图 图4—7 汉宁窗的时域、频域曲线图
机械故障诊断技术4信号 特征提取技术
除矩形窗之外的窗函数所存在的不足有：第一，初相位 信息消失。所以采用它们的频谱分析软件没有相频谱图。第 二，谱图中的幅值相对实际信号该频率成份的幅值存在着失 真。失真度的大小与所取的修正值相关。
周期性方波信号的频谱2
机械故障诊断技术4信号 特征提取技术
图4—3 是该方波的幅频谱
图，横坐标是频率ω，纵坐标
是幅值，图中对应于某个频率
的直线称为谱线。
从图中可知周期信号的频
谱具有下列特征：
1）离散性 即周期信号的频
谱图中的谱线是离散的。
ω0 3ω0 5ω0 7ω0
2）谐波性 即周期信号的谱
图4—3 方波的幅频谱图
机械故障诊断技术4信号 特征提取技术
4．2 信号特征的频域提取方法
上一节的时域统计特征指标只能反映机械设 备的总体运转状态是否正常，因而在设备故障诊 断系统中用于故障监测，趋势预报。要知道故障 的部位、故障的类型就需要进一步的做精密分析。 在这方面频谱分析是一个重要的、最常用的分析 方法。
机械故障诊断技术4信号
第四章 信号特征提取——信号分析技术 机械故障诊断技术4信号 特征提取技术
通过信号测取技术将机械设备的运行状态转变为一系列的 波形曲线——A（t）、B（t）等，通过A/D 变换转化成离散的 数字曲线序列——A（i）、B（i）等。由于运转的机械设备中 存在多个振动源，这些振动信号在传输路上又受到传输通道特 性的影响，当它们混杂在一起被传感器转换成波形曲线时，呈 显出混乱无规律的形态。因此需要从中进行识别——信号特征 的提取。
若歪度指标变化不大，有效值Xrms与平均值的比值增 大，说明由于磨损导致间隙增大，因而振动的能量指标— —有效值Xrm比平均值增加快，其裕度指标Ce也增大了。
机械故障诊断技术4信号 特征提取技术
• 4．1．6 歪度指标
歪度指标Cw反映振动信号的非对称性。
歪度指标Cw
Cw
1 N
N
( xi x)3
机械故障诊断技术4信号 特征提取技术
• 4．1．2 均方值、有效值
均方值与有效值用于描述振动信号的能量。
均方值
Xr2ms
1 N
N i1
xi2(t)
有效值Xrms又称均方根值，是机械故障诊断系统中用 于判别运转状态是否正常的重要指标。因为有效值Xrms描 述振动信号的能量，稳定性、重复性好，因而当这项指标 超出正常值（故障判定限）较多时，可以肯定机械存在故 障隐患或故障。
• 4．2．1 频域分析与时域信号特征提的取技术 关系
图4—1描述了信号的时域与频
域关系。信号是由多个正弦波组成，
频率比为：1∶3∶5∶7…，幅值比
为：1∶ ∶ ∶ …，信号之间无相位
差。我们在时间域观察这些信号——
横坐标轴是时间t，就如这些信号叠
加起来，其合成结果投影到时域平
面上，于是我们看到了方波信号。
个信号样本的总长中，找出绝对值最大的10个数，用这10
个数的算术平均值作为峰值Xp。
峰值指标Ip
Ip
Xp X rms
峰值指标Ip和脉冲指标Cf都是用来检测信号中是否存 在冲击的统计指标。
机械故障诊断技术4信号 特征提取技术
• 4．1．4 脉冲指标
脉冲指标Cf
Cf
Xp X
脉冲指标Cf和峰值指标Ip都是用来检测信号中是否存 在冲击的统计指标。由于峰值Xp的稳定性不好，对冲击的 敏感度也较差，因此在故障诊断系统中逐步应用减少，被
若有效值Xrms的物理参数是速度（mm/s），就成为 用于判定机械状态等级的振动烈度指标。
机械故障诊断技术4信号 特征提取技术
• 4．1．3 峰值、峰值指标
通常峰值Xp是指振动波形的单峰最大值。由于它是一 个时不稳参数，不同的时刻变动很大。因此，在机械故障
诊断系统中采取如下方式以提高峰值指标的稳定性：在一
减少谱泄漏的措施
机械故障诊断技术4信号 特征提取技术
为了减少谱泄漏，工程上采用两种措施。
第一种措施，加大矩形窗的时间长度，即增大采样的样本点数。也 就是使w（f）的主瓣尽量地高而窄，能量最大限度地集中于主瓣，将旁 瓣尽量压缩。同时主瓣愈窄愈好。
第二种措施，采用旁瓣较低的函数作为采样窗函数，如汉宁窗、海 明窗等等。这类窗函数与矩形窗的显著区别在于：矩形窗在开始与终止 处是突变的，从0一下跳到1。而这类窗函数是渐变的，按函数式从0缓 慢地上升，直到中间点才上升到最大（有的是1，有的修正到大于1）， 然后再缓慢下降到终点0（图4-6，4-7，4-8只给出右半部分的时域与频