基于IMF能量矩和神经网络的轴承故障诊断
基于I M F能量矩和神经网络的轴承故障诊断Ξ
秦太龙 杨 勇 程 珩 薛 松
(太原理工大学机械电子工程研究所 太原,030024)
摘要 针对滚动轴承故障振动信号的非平稳特征,提出了一种本征模函数(Intrinsic M ode Functi on,简称I M F)能量矩的特征向量提取法,并与BP神经网络相结合用于滚动轴承的故障诊断。该方法首先利用经验模态分解(Emp iricalM ode D ecompo siti on,简称E M D)方法,把振动信号分解为若干个I M F,再将重要的I M F分量作基于时间轴的积分,得到I M F能量矩特征向量,最后借助BP神经网络的分类能力对特征向量进行分类。对滚动轴承的正常状态、外圈故障、滚动体故障和外圈故障信号的分析结果表明,该方法能够准确、有效地识别这些故障。
关键词 滚动轴承 本征模函数 能量矩 故障诊断 经验模态分解 BP神经网络
中图分类号 TH133
引 言
滚动轴承在机械设备中起着承受载荷和传递载荷的作用,与其他机械零部件相比,滚动轴承寿命很有限且容易发生疲劳破坏。据统计,仅有10%～20%的轴承达到设计寿命[1]。由于它的工作状态正常与否直接影响到整台机器的性能,所以对滚动轴承的故障诊断具有重要意义。
一般来说,故障诊断包括两个步骤[2]:第1步为故障征兆提取,主要是以数据信息的提取、放大为目的;第2步为实际故障诊断,主要是以故障类型的诊断为目的。对于第1步,当滚动轴承发生故障时,振动信号往往具有非平稳性,所以建立在信号平稳性基础上的传统谱分析方法难免会存在困难。近年来,由H uang N E提出了经验模态分解(E M D)方法[3],该方法基于信号的局部特征时间尺度,把信号分解为若干个本征模函数(I M F)之和,分解出的各个I M F分量突出了数据的局部特征,对其进行分析可以更准确有效地把握原信号的特征信息。此外,由于每一个I M F所包含的频率成分不仅与采样频率有关,而且还随着信号本身的变化而变化。因此,E M D 方法是一种自适应的信号分解方法,具有很高的信噪比,非常适用于滚动轴承故障振动信号这种非平稳、非线性信号的分析。对于第2步,故障类型的识别主要是把第1步所提取的故障特征信号,输入分类器进行工作状态的分类。目前,应用最为广泛的分类器是B P神经网络,具有很强的非线性函数逼近能力。
本文提出了一种I M F能量矩的特征向量提取方法,它是原信号经E M D分解后,对所得的I M F分量作基于时间轴的积分而得到的能量。I M F能量矩考虑了每个I M F能量在时间轴上的分布特点,它能有效、精准地提取出信号的本质特征。本文把I M F 能量矩与B P神经网络结合,应用于滚动轴承的故障诊断,试验表明,该方法具有较高的准确度。
1 E MD方法的基本原理
E M D是一种能够将非平稳信号进行平稳化处理的方法,处理的结果是将信号中不同尺度的波动或趋势逐级分解出来,产生一系列具有不同特征尺度的数据序列,即I M F。一般来说,I M F必须满足以下2个条件:a.函数在整个时间范围内,局部极值点和过零点的数目必须相等,或最多相差一个;b.在任何时间点上,它的局部最大值和局部最小值定义的包络的均值必须为0。即假设信号X(t)的上、下包络线分别为a1(t)和a2(t),则对任意的t,a1(t)+a2(t) =0。因此,E M D是一种从信号中筛选出各种波动的方法,I M F表征了信号内在的波动模式,这样任
第28卷第3期2008年9月
振动、测试与诊断
Jou rnal of V ib rati on,M easu rem en t&D iagno sis
V o l.28N o.3
Sep.2008
Ξ国家自然科学基金重点资助项目(编号:50335030)。
收稿日期:2008203219;修改稿收到日期:2008204203。
何一个信号就可以分解为有限个I M F 之和,而I M F 可以按以下方法“筛选”获得。
(1)确定信号X (t )的所有极大值点,然后用3次样条函数拟合出信号的上包络线;同样,确定信号的所有极小值点,拟合出信号的下包络线。
(2)记上、下包络线的平均值为m 1,原信号X (t )
减去m 1得到h 1(t ),即
X (t )-m 1=h 1(t )
(1)
(3)判断h 1(t )是否为I M F ,若h 1(t )不满足I M F 条件,则将h 1(t )作为原始数据,重复步骤(1)和(2),直到h 1(t )满足I M F 条件为止。
此时,记h 1(t )=c 1(t ),则c 1(t )为信号X (t )的第1个I M F ,它代表了信号X (t )的最高频率分量。
(4)把原数据信号X (t )减去第1个本征模函数
c 1(t ),得到残余r 1(t ),即
r 1(t )=X (t )-c 1(t )
(2)
若残余r 1(t )还包含一些长周期的组分,则把它作为一个新的信号,重复步骤(1),(2),(3)的过程,这样不断重复便可得
r 2=r 1-c 2r 3=r 2-c 3
r n =r n -1
-c n
(3)
若残余r n 分解成一个单调函数则停止,由式(2),(3)可得
X (t )=
∑n
i =1
c i
(t )+
r n
(4)
这样,就把原信号分解成本征模函数组和残余量r n 之和,其中:c 1,c 2,…,c n 包含了信号从高到低不同频率成分;r n 则表示了原信号的中心趋势。
2 I M F 能量矩
针对滚动轴承故障振动信号的非平稳特性,当其发生故障时,其振动信号在某些频段的能量必将发生变化,而经E M D 分解的每个I M F 分量包含了某些频段的信息,为了更好地捕捉到隐藏在信号中的故障信息,本文提出了一种I M F 能量矩的特征提取方法,它是传统I M F 能量法的改进,该方法用I M F 能量矩代替I M F 能量或能量熵组成特征向量,
它采用了一种基于时间来计算I M F 能量特征值的方法,能有效、精准地提取出信号的本质特征。
计算I M F 能量矩特征向量的步骤如下:
第1步:对采集到的振动信号进行小波消噪,以免对下一步经验模态分解的精度造成影响。第2步:对经消噪后的信号进行经验模态分解,
得到若干个本征模函数c i (t ),i =1,2,3,…。第3步:按公式(5)来计算I M F 能量矩,如果信号是离散的,可以按式(6)来计算I M F 能量矩
E i =
∫
t c i (t ) 2
d t
(5)
E i =
∑n k =1
(k ?t ) c i
(k ?t )
2
(6)
其中:?t 为采样周期;n 为总的采样点数;k 为采样点。
第4步:构造特征向量并归一化为T
T =[E 1,E 2,E 3,…,E n ] ∑
i
E i
(7)
从式(5)和式(6)中可以看出,I M F 能量矩E i 不仅考虑到了I M F 能量的大小,还考虑到了I M F 能量随时间参数t 的分布情况。因此,相比于单纯的计算I M F 能量而言,I M F 能量矩将可以更好地揭示能量
的分布特征,有利于故障特征的提取。
3 BP 神经网络的基本原理
B P 神经网络是目前应用最广泛、
发展最成熟的一种神经网络,它是对非线性可微分函数进行权值训练的多层网络,具有良好的自学习和分类能力,可用来在故障诊断中识别故障类型。图1是反向传播神经网络的拓扑图,它由输入层、隐层、输出层组成,当然隐层可以有多层。它的算法可以用图2的流程图表示出来
。
图1 BP 神经网络的拓扑图
为了改善B P 算法的收敛速度和避免目标函数存在局部极小,采取的主要措施是:a .加动量项;b .神经元的函数最好用反对称函数;c .各权值以及阈值的起始值应选为均匀分布的小数经验值;d .最好使网络中各神经元的学习速度差不多;e .每一周期
32振 动、测 试 与 诊 断 第28卷
图2 BP算法流程图的训练样本输入顺序都要随机排序
[4]。
4 I M F能量矩和神经网络的结合
一般来说,在故障诊断中,I M F能量矩是用来提取故障特征向量的,它可以作为神经网络的前置处理手段,为神经网络提供输入特征向量。所以I M F 能量矩和神经网络的结合应该是一种松散型的结合方式[5]。图3是本文滚动轴承故障诊断的框图。
5 诊断实例分析[6-8]
滚动轴承是由内圈、外圈、滚动体和保持架4种元件组成的。任何一个元件的失效都有可能引起轴承异常振动。本文针对滚动轴承正常、
外圈有一处疲劳剥落、内圈有一处疲劳剥落、滚动体有一处疲劳剥落时的4种状况,利用加速度传感器分别测取这4种工况的振动信号,然后分别提取这4种振动信号的I M F能量矩。由于信号中最显著、最重要的信息往往包含在前几个I M F分量中,所以从减少神经网络的输入角度,本文只选取前10个I M F分量来计算
图3 滚动轴承故障诊断框图
I M F能量矩,表1给出了部分基于I M F能量矩所计算的样本。
由于本文所选的I M F分量为10,所以神经网络的输入神经元为10。经反复试验,选择只包含一个隐层,隐层和输出层的神经元分别为15和4的网络能取得较好的分类效果和收敛速度。输入和输出神经元的传递函数都选为线性传递函数pu relin,隐层神经元的传递函数选为双曲正切S型传递函数tan sig,最大叠代次数为80000,学习步长选为0108,目标误差为1e24。神经网络采用改进的B P神经网络,学习函数为梯度下降动量学习函数learngdm,动量因子为019。
学习样本针对上面的4种情况,每种情况给出15个学习样本,输出为1000,0100,0010,0001,分别对应滚动轴承正常、外圈故障、滚动体故障和内圈故障。图4是神经网络的训练误差曲线,可看出最后的误差训练已靠近1e23,满足了分类精度的要求。训练
表1 基于I M F能量距所计算的部分样本
样本类型E1E2E3E4E5E6E7E8E9E10正常011377011791010878012142010426010897010851010597010688010354外圈故障010994011578011802012470011221010951010506010227010174010076滚体故障012589012004010487010054010224010065010893012303010862010520内圈故障011514012481010824010355010324010334010379011515010906011368132
第3期秦太龙等:基于I M F能量矩和神经网络的轴承故障诊断
表2 神经网络诊断的部分结果
输入实际输出目标输出故障类型检验样本10195020102400100010103551 0 0 0正常
检验样本20101410199400100030100060 1 0 0外圈故障检验样本30100910100140199360100720 0 1 0滚动体故障
检验样本40102210100070101050199160 0 0 1
内圈故障
图4 神经网络的训练误差曲线
完成以后,可以针对网络模型进行检验。笔者用该网络对大量的检验样本进行了诊断,表2是部分诊断结果。如果认为019以上为故障,011以下为正常,据统计,该网络诊断准确率在90%以上。
6 结束语
当滚动轴承发生故障时,振动信号是非平稳的,各频带的能量必将会发生变化,I M F能量矩不仅考虑了I M F能量的大小,还考虑了I M F能量随时间的分布情况。因此相对于单纯的计算I M F能量而言, I M F能量矩可以更好地揭示能量的分布特征,有利于故障特征的提取。本文把I M F能量矩和B P神经网络结合,应用于滚动轴承的故障诊断,得到了较好的效果。
参 考 文 献
[1] Kong Yalin.R esearch on fault diagno sis m ethod and
app licati on fo r ro lling elem ent bearing based on
vibrati on signal[D].D alian:D alian U niversity of T echno logy,2005.(in Ch inese)
[2] L i Yuxia,Chen J iyao,L iu L ifeng.R esearch on fault
diagno sis of hydro2generating unit vibrati on based on
neural netw o rk and w avelet analysis[J].Engineering Journal of W uhan U niversity,2006,10(5):22225.(in Ch inese)
[3] H uang N E,Shen Z,L ong S R.T he emp irical mode
decompo siti on and the H ilbrt spectrum fo r nonlinear and non2stati onary ti m e series analysis[C]∥P roc.
Royal Society.L ondon:[s.n.],1998:9032995.
[4] Zhang N aiyao,Yan P ingfan.N eural netw o rk and
fuzzy contro l[M].Beijing:T singhua U niversity
P ress,1998:5210.(in Ch inese)
[5] Yang Yong,Chen H ang,Chen Fafa.Ro ller bearing
fault diagno sis base on w avelet packet and back2 p ropagati on neural netw o rk[J].Co lliery M echanical&
E lectrical T echno logy,2008,1(1):50252.(in Ch inese)
[6] H u J ingsong,Yang Sh ixi.A R model p redicti on2based
E M D m ethod and its app licati on to data extensi on[J].
Journal of V ibrati on,M easurem ent&D iagno sis,
2007,27(2):1162120.(in Ch inese)
[7] Yang Yu,Yu D eijie,Cheng Junsheng.Ro ller bearing
fault diagno sis m ethod based on em d and neural netw o rk[J].Journal of V ibrati on and Shock,2005,1
(1):85288.(in Ch inese)
[8] H u J ingsong,Yang Sh ixi,W u Zhao tong,et al.T i m e2
frequency analysis of vibrati on signals in ro tating m ach inery[J].Journal of V ibrati on,M easur m ent&
D iagno sis,2004,24(2):1062110.(in Ch inese
)
第一作者简介:秦太龙 男,1961年6月
生,在读博士研究生。主要从事机电设备
故障诊断及信号分析等方面的研究工
作。曾发表“多传感器信息融合技术在机
械故障诊断中的应用”(《振动、测试与诊
断》2007年增刊总第121期)等论文。
E2m ail:chenghang@https://www.wendangku.net/doc/bf4167225.html,
232振 动、测 试 与 诊 断 第28卷
003Journal of V ibrati on,M easurem ent&D iagno sis V o l.28
the m u lti p le L am b w ave m https://www.wendangku.net/doc/bf4167225.html, parison s w ere m ade am ong the peak envelope of the o riginal signal, the direct H ilbert tran sfo r m(H T)envelope and the w avelet envelope.T he resu lts show that the HH T techn ique p rovides a s m oo ther envelope and therefo re has the cap ab ility to ex tract m o re accu rate arrivals fo r the m u lti p le m ode L am b w aves.
Ke yw o rds H ilbert2H uang tran sfo r m(HH T) L am b w aves arrival ti m e ex tracti on tom ography
A M ethod for M a ter i a l Dam p i ng M ea surem en t
W en J inp eng Y ang Z h ichun L i B in S un H ao Y ao Q ianbin
(Schoo l of A eronautics,N o rthw estern Po lytechnical U niversity X i′an,710072,Ch ina)
A bs tra c t T he resonan t2duell m ethod w as app lied to develop a m ethod fo r the m easu rem en t of m aterial dam p ing.T he dam p ing m easu rem en t fo r m u las w ere derived from the classical can tilever beam vib rati on theo ry.A doub le2can tilever2beam speci m en w as designed to m easu re the dam p ing.T he effect of unbalanced m ass at each ar m of the beam on dam p ing m easu rem en t w as studied by the fin ite elem en t si m u lati on.Som e suggesti on s w ere p ropo sed to i m p rove the accu racy of dam p ing m easu rem en t.N um erical si m u lati on resu lts show that the p ropo sed m ethod has a sufficien t accu racy and is su itab le fo r dam p ing m easu rem en t of h igh tem p eratu re m aterial.
Ke yw o rds m aterial dam p ing doub le reed can tilever beam resonan t2dw ell num erical si m u lati on
D evelopm en t for Gear-Box Fault D i agnosis I n stru m en t
Ba sed on V irtua l I n stru m en t Technology
D ing Z h iy u J i Z hong Q in S hu ren
(Co llege of M echanical Engineering,Chongqing U niversity Chongqing,400030,Ch ina)
A bs tra c t
B ased on the study of gearbox fau lt,a fau lt diagno sis in strum en t w as developed by u sing the virtual in strum en t techno logy.T he in strum en t can analyze the health state of gearbox from the ti m e, frequency and ti m e2frequency dom ain s.Exp eri m en t resu lt show s that the in strum en t can accu rately and qu ick ly detect gearbox fau lts,and can be p u t in to p aractical app licati on s.
Ke yw o rds gearbox fau lts diagno sis virtual in strum en t signal p rocessing
Roll i ng Bear i ng Fault D i agnosis Ba sed on I n tr i n sic M ode
Function Energy M om en t and BP Neura l Network
Q in T a ilong Y ang Y ong Cheng H ang X ue S ong
(Institute of M echatronics,T aiyuan U niversity of T echno logy T aiyuan,030024,Ch ina)
A bs tra c t In view of the non2stati onarity of the vib rati on signal of a ro lling bearing w ith fau lts th is article p u t fo r w ard a m ethod fo r ex tracting the in trin sic2m ode2functi on(I M F)energy m om en t eigenvecto rs. Com b ined it w ith
B P neu ral netw o rk,the m ethod w as app lied to fau lt diagno sis of ro lling bearings.
F irstly,the vib rati on signal w as decom po sed in to certain in trin sic m ode functi on s(I M F)by em p irical m ode decom po siti on(E M D).Secondly,an in tegral of i m po rtan t I M F com ponen ts along ti m e ax is w as calcu lated to ob tain the I M F energy m om en t eigenvecto rs.F inally,w ith the help of the B P neu ral netw o rk the eigenvecto rs w ere classified.T he analysis resu lts of the vib rati on signals acqu ired from the bearings w ith no r m al,ou ter track fau lt,ball fau lt and inner track fau lt respectively show that th is m ethod can iden tify ro lling bearing fau lt pattern s accu rately and effectively.
Ke yw o rds ro lling bearing in trin sic2m ode2functi on(I M F) energy m om en t fau lt diagno sis em p irical m ode decom po siti on(E M D) B P neu ral netw o rk
城轨列车滚动轴承早期故障诊断与状态识别方法研究
城轨列车滚动轴承早期故障诊断与状态识别方法研究 城市轨道交通作为一种高效的公共交通方式,逐渐成为了我国各大城市的交通命脉。然而在日益增长的运营压力下,列车安全问题愈发重要。 滚动轴承是城轨列车的重要部件之一,广泛应用于车辆的各个设备中,其运行状态直接影响着列车的安全运行。因此对滚动轴承进行实时监测、分析,准确把握滚动轴承的工作状态,对防止事故发生、保障列车可靠运行具有重大意义。 鉴于此,本文针对滚动轴承的早期故障诊断、特征提取、故障模式识别方法展开了系统研究,主要内容如下:(1)研究了基于变分模态分解(VMD)的滚动轴承早期故障诊断算法。针对传统经验模态分解(EMD)处理信号受噪声影响较大、易出现模态混叠的缺陷,本文提出采用VMD方法对轴承早期故障信号进行分析。 研究了 VMD算法中关键参数的选取对结果的影响,并改进了混沌粒子群算 法(CPSO),使其适用于VMD参数寻优。通过轴承早期故障仿真信号和全寿命疲劳加速实验数据进行分析对比,证明了所提方法能对轴承早期微弱故障进行有效识别,比传统方法具有更大的优势。 (2)研究了基于双树复小波包变换(DT-CWPT)的滚动轴承特征提取技术。本文首先对轴承振动信号进行时域特征参数提取,随后采用DT-CWPT对信号进行分解,求取节点重构系数的多尺度排列熵(MPE)。 为避免特征冗余对识别结果造成不良影响,通过随机森林(RF)算法进行特征选择,选取重要性较高的特征参数作为最终的模式识别算法的输入集。(3)研究了基于KELM-AdaBoost的滚动轴承故障模式识别方法。 在基本极限学习机(ELM)的基础上重点研究核极限学习机(KELM)算法,采用CPSO算法和交叉验证方法结合的方式对核极限学习机的参数进行寻优。针对单
滚动轴承故障诊断分析
滚动轴承故障诊断分析 学院名称：机械与汽车工程学院专业班级： 学生姓名： 学生学号： 指导教师姓名：
摘要 滚动轴承故障诊断 本文对滚动轴承的故障形式、故障原因、常用诊断方法等诊断基础和滚动轴承故障的振动机理作了研究，并建立了相应的滚动轴承典型故障(外圈损伤、内圈损伤、滚动体损伤)的理论模型，给出了一些滚动轴承故障诊断常见实例。通过对滚动轴承故障振动机理的研究可以帮助我们了解滚动轴承故障的本质和特征。本文对特征参数的提取，理论推导，和过程都进行了详细的阐述， 关键词:滚动轴承；故障诊断；特征参数；特征； ABSTRACT ： The Rolling fault diagnosis In the thesis ,the fault types,diagnostic methods an d vibration principle of rolling bearing are discussed.the thesis sets up a series of academic m odels of faulty rolling bearings and lists some sym ptom parameters which often used in fault diagnosis of rolling bearings . the study of vibration prin ciple of rolling bearings can help us to know the essence and feature of rolling bearings.In this pa
简析滚动轴承故障诊断方法及要点
简析滚动轴承故障诊断方法及要点 滚动轴承是应用最为广泛的机械零件质疑，同时，它也是机器中最容易损坏的元件之一。许多旋转机械的故障都与滚动轴承的状态有关。据统计，在使用滚动轴承的旋转机械中，大约有30%的机械故障都是由于轴承而引起的。可见，轴承的好坏对机器工作状态影响极大。 通常，由于轴承的缺陷会导致机器产生振动和噪声，甚至会引起机器的损坏。而在精密机械中（如精密机床主轴、陀螺等），对轴承的要求就更高，哪怕是在轴承上有微米级的缺陷，都会导致整个机器系统的精度遭到破坏。 最早使用的轴承诊断方法是将听音棒接触轴承部位，依靠听觉来判断轴承有无故障。这种方法至今仍在使用，不过已经逐步使用电子听诊器来替代听棒以提高灵敏度。后来逐步采用各式测振仪器、仪表并利用位移、速度或加速度的均方根值或峰峰值来判断轴承有无故障。这可以减少对设备检修人员的经验的依赖，但仍然很难发现早期故障。 滚动轴承在设备中的应用非常广泛，滚动轴承状态好坏直接关系到旋转设备的运行状态，尤其在连续性大生产企业，大量应用于大型旋转设备重要部位，因此，实际生产中作好滚动轴承状态监测与故障诊断是搞好设备维修与管理的重要环节。我们经过长期实践与摸索，积累了一些滚动轴承实际故障诊断的实用技巧。 一、滚动轴承故障诊断的方式及要点： 对滚动轴承进行状态监测和故障诊断的实用方法是振动分析。 实用中需注意选择测点的位置和采集方法。要想真实准确反映滚动轴承振动状态，必须注意采集的信号准确真实，因此要在离轴承最近的地方安排测点，在电机自由端一般有后风扇罩，其测点选择在风扇罩固定螺丝有较好监测效果。另外必须注意对振动信号进行多次采集和分析，综合进行比较。才能得到准确结论。 二、滚动轴承正常运行的特点与实用诊断技巧： 我们在长期生产状态监测中发现，滚动轴承在其使用过程中表现出很强的规律性，并且重复性非常好。正常优质轴承在开始使用时，振动和噪声均比较小，但频谱有些散乱，幅值都较小，可能是由于制造过程中的一些缺陷，如表面毛刺等所致。 运动一段时间后，振动和噪声维持一定水平，频谱非常单一，仅出现一、二倍频。极少出现三倍工频以上频谱，轴承状态非常稳定，进入稳定工作期。 继续运行后进入使用后期，轴承振动和噪声开始增大，有时出现异音，但振动增大的变化较缓慢，此时，轴承峭度值开始突然达到一定数值。我们认为，此时轴承即表现为初期故障。
滚动轴承故障诊断与分析..
滚动轴承故障诊断与分析Examination and analysis of serious break fault down in rolling bearing 学院：机械与汽车工程学院 专业：机械设计制造及其自动化 班级：2010020101 姓名： 学号： 指导老师：王林鸿
摘要:滚动轴承是旋转机械中应用最广的机器零件，也是最易损坏的元件之一, 旋转机械的许多故障都与滚动轴承有关，轴承的工作好坏对机器的工作状态有很大的影响，其缺陷会产生设备的振动或噪声，甚至造成设备损坏。因此, 对滚动轴承故障的诊断分析, 在生产实际中尤为重要。 关键词：滚动轴承故障诊断振动 Abstract: Rolling bearing is the most widely used in rotating machinery of the machine parts, is also one of the most easily damaged components. Many of the rotating machinery fault associated with rolling bearings, bearing the work of good or bad has great influence to the working state of the machine, its defect can produce equipment of vibration or noise, and even cause equipment damage. Therefore, the diagnosis of rolling bearing fault analysis, is especially important in the practical production. Key words: rolling bearing fault diagnosis vibration 引言：滚动轴承是机器的易损件之一，据不完全统计，旋转机械的故障约有30％ 是因滚动轴承引起的，由此可见滚动轴承故障诊断工作的重要性。如何准确判断出它的末期故障是非常重要的，可减少不必要的停机修理，延长设备的使用寿命，避免事故停机。滚动轴承在运转过程中可能会由于各种原因引起损坏，如装配不当、润滑不良、水分和异物侵入、腐蚀和过载等。即使在安装、润滑和使用维护都正常的情况下，经过一段时间运转，轴承也会出现疲劳剥落和磨损。总之，滚动轴承的故障原因是十分复杂的，因而对作为运转机械最重要件之一的轴承，进行状态检测和故障诊断具有重要的实际意义，这也是机械故障诊断领域的重点。 一滚动轴承故障诊断分析方法 1滚动轴承故障诊断传统的分析方法 1.1振动信号分析诊断 振动信号分析方法包括简易诊断法、冲击脉冲法（SPM法）、共振解调法（IFD 法）。振动诊断是检测诊断的重要工具之一。 （1）常用的简易诊断法有：振幅值诊断法，反应的是某时刻振幅的最大值，适用于表面点蚀损伤之类的具有瞬时冲击的故障诊断；波峰因素诊断法，表示的
滚动轴承早期故障在线监测与诊断
第32卷第6期1998年6月 西安交通大学学报 JOURNAL OF XI c AN JIAOTONG UN IVERSITY Vol.32l6 Jun.1998滚动轴承早期故障在线监测与诊断 王丽丽王超 (西安交通大学,710049,西安) 摘要对滚动轴承早期故障的诊断提出了一种简便有效的方法.阐明频域和时域分离故障信息的原理,讨论了窄带滤波器设计参数选取的方法,特别是对窄带滤波器的中心频率及带宽与故障特征频率之间的关系给出了定量的描述,对窄带信号峰值包络包含的低频分量的放大作用给出了定量的分析.最后以5套307轴承为例进行了成功的诊断.采用文中提出的方法可由功率谱直接判读故障谱峰,该方法直观、快速、简便,非常适用于滚动轴承的在线监测与诊断. 关键词轴承故障诊断希尔伯特变换窄带滤波功率谱密度 中国图书资料分类法分类号TB123 The O n-Line Inspection and Diagnosis for the Rolling Bearing.s Tiny Fault Wang L ili Wang Chao (Xi c an J i aotong University,710049,Xi c an) Abstract An effective method based on the H ilbert transform and narrow-band filtration is proposed to dig nose the rolling bearing.s tiny fault.The theory for ex tracting the fault signal in both frequency-domain and time-domain is ex pounded.The envelope signal of the rolling bearing w ith fault sig nal is calculated using the H ilbert transform and narrow-band filtration,and then the com ponent of it caused by the fault is am plified using mathematical transformation.In discussing the choice of the narrow-band filter.s parameters,the relationship betw een the filter.s parameters(center freqency and band range)and the fault.s characteristic freqency is described quantitalively.Ex amples show that this method is valid w ith high accuracy.T he method proposed is very suitable for the rolling bearing.s on-line inspection and diagnosis. Keywords bearing f ault diagnosis H ilbert tr ansf or m nar row-band f iltr ation p ower sp ectrum density 滚动轴承是旋转机械的基础部件,也是旋转机械振动的主要激振源之一,它的状态直接影响到系统的正常运行.因此,对滚动轴承故障实现早期监测和诊断,可以预防事故的发生,在生产上具有重大的经济和社会效益. 文献[1]主要针对滚动轴承的局部缺陷,如内外 收到日期:1997O03O04.王丽丽:女,1968年7月生,建筑工程与力学学院工程力学系,博士生,讲师.
滚动轴承故障诊断频谱分析讲解学习
滚动轴承故障诊断1（之国外专家版） 滚动轴承故障 现代工业通用机械都配备了相当数量的滚动轴承。一般说来，滚动轴承都是机器中最精密的部件。通常情况下，它们的公差都保持在机器的其余部件的公差的十分之一。但是，多年的实践经验表明，只有10%以下的轴承能够运行到设计寿命年限。而大约40%的轴承失效是由于润滑引起的故障，30%失效是由于不对中或“卡住”等装配失误，还有20%的失效是由过载使用或制造上缺陷 等其它原因所致。 如果机器都进行了精确对中和精确平衡，不在共振频率附近运转，并且轴承润滑良好，那么机器运行就会非常可*。机器的实际寿命也会接近其设计寿命。然而遗憾的是，大多数工业现场都没有做到这些。因此有很多轴承都因为磨损而永久失效。你的工作是要检测出早期症状并估计故障的严重程度。振动分析和磨损颗粒分析都是很好的诊断方法。 1、频谱特征 故障轴承会产生与1X基频倍数不完全相同的振动分量——换言之，它们不是同步的分量。对振动分析人员而言，如果在振动频谱中发现不同步分量那么极有可能是轴承出现故障的警告信号。 振动分析人员应该马上诊断并排除是否是其它故障引起的这些不同步分量。 如果看到不同步的波峰，那极有可能与轴承磨损相关。如果同时还有谐波和边频带出现，那么轴承磨损的可能性就非常大——这时候你甚至不需要再去了解轴承准确的扰动频率。 2、扰动频率计算 有四个与轴承相关的扰动频率：球过内圈频率（BPI）、球过外圈频率（BPO）、保持架频率（FT）和球的自旋频率（BS）。轴承的四个物理参数：球的数量、球的直径、节径和接触角。其中，BPI 和BPO的和等于滚珠/滚柱的数量。例如，如果BPO等于3.2 X，BPI等于4.8 X，那么滚珠/滚柱 的数量必定是8。
滚动轴承故障诊断(附MATLAB程序)
第二组实验 轴承故障数据： Test2.mat 数据打开后应采用 X105_DE_time 作为分析数据，其他可作为参考，转速 1797rpm 轴承型号： 6205-2RS JEM SKF, 深沟球轴承 采样频率： 12k Hz 1、确定轴承各项参数并计算各部件的故障特征频率通过以上原始数据可知次轴承的参数为： 轴承转速 r=1797r/min；滚珠个数 n=9；滚动体直径 d=7.938mm；轴承节径 D=39mm；：滚动体接触角α=0 由以上数据计算滚动轴承不同部件故障的特征频率为：外圈故障频率 f1=r/60 * 1/2 * n(1-d/D *cos α )=107.34Hz 内圈故障频率 f2=r/60 * 1/2 * n(1+d/D *cos α)=162.21Hz 滚动体故障频率 f3=r/60*1/2*D/d*[1-(d/D)^2* cos^2( α)]=70.53Hz 保持架外圈故障频率 f4=r/60 * 1/2 * (1-d/D *cos α )=11.92Hz 2.对轴承故障数据进行时域波形分析 将轴承数据Test2.mat导入 MATLAB 中直接做 FFT 分析得到时域图如下：
并求得时域信号的各项特征： 1）有效值：0.2909； 3）峰值因子：5.2441；2）峰值： 1.5256；4）峭度： 5.2793；6）裕度因子：
3.包络谱分析 对信号做 EMD 模态分解，分解得到的每一个 IMF 信号分别和原信号做相关分析，找出相关系数较大的 IMF 分量并对此 IMF 分量进行 Hilbert 变换。 Empirical Mode Decomposition im 由图中可以看出经过 EMD 分解后得到的９个 IMF 分量和一个残余量。 IMF 分量分别和原信号做相关分析后得出相关系数如下： 由上表得：IMF1 的相关系数明显最大，所以选用 IMF1 做 Hilbert 包络谱分析。所得 Hilbert 包络谱图如下：
滚动轴承故障诊断与分析
滚动轴承故障诊断与分析 Examination and analysis of serious break fault down in rolling bearing
学院：机械与汽车工程学院 专业：机械设计制造及其自动化 班级：2010020101 姓名： 学号： 指导老师：王林鸿 :摘要,滚动轴承是旋转机械中应用最广的机器零件，也是最易损坏的元件之一 轴承的工作好坏对机器的工作状态有很旋转机械的许多故障都与滚动轴承有关，对滚动甚至造成设备损坏。因此, 大的影响，其缺陷会产生设备的振动或噪声， 轴承故障的诊断分析, 在生产实际中尤为重要。关键词：振动滚动轴承故 障诊断 Rolling bearing is the most widely used in rotating Abstract:easily machinery of the machine parts, is also one of the most damaged components. Many of the rotating machinery fault associated with rolling bearings, bearing the work of good or bad has great influence to the working state of the machine, even and of vibration or noise, produce its defect can equipment cause equipment damage. Therefore, the diagnosis of rolling bearing fault analysis, is especially important in the practical production. Key words: rolling bearing fault diagnosis vibration 引言：％30滚动轴承是机器的易损件之一，据不完全统计，旋转机械的故障约
滚动轴承故障诊断综述
摘要：滚动轴承是旋转机械中使用最多，最为关键，同时也是机械设备中最易损坏的机械零件之一。滚动轴承质量的好坏对机械设备运行质量影响很大，许多旋转机械设备的运行状况与滚动轴承的质量有很大的关系。滚动轴承作为旋转机械设备中使用频率较高，同时也是机械设备中较为薄弱的环节，因此对滚动轴承进行故障诊断具有重大意义。 引言：故障诊断技术是一门研究设备运行状况信息，查找故障源，研究故障发展趋势，确定相应决策，与生产实际紧密相结合的实用技术。故障诊断技术是20世纪中后迅速发展起来的一门新型技术。国外对滚动轴承故障诊断技术的研究开始于20世纪60年代。美国是世界上最早研究滚动轴承故障诊断技术的国家，于1967年对滚动轴承故障进行研究，经过几十年的发展，先后研制了基于时域分析，频域分析，和时频分析的滚动轴承故障诊断技术。 目前国外已经研制出先进的滚动轴承故障诊断仪器，并且已经应用于工业生产中，对预防机械事故，减少损失起到了至关重要的作用。国内对故障诊断技术的研究起步较晚，20世纪80年代我过开始研究滚动轴承故障诊断技术，经过多年的研究，先后出现了基于振动信号的滚动轴承故障诊断，基于声音信号的滚动轴承诊断方法，基于温度的滚动轴承诊断方法，基于油膜电阻的滚动轴承诊断方法和基于光钎的滚动轴承诊断方法。从实用性方面来看，基于振动信号的滚动轴承诊断方法具有实用性强，效果好，测试和信号处理简单等优点而被广泛采用。在滚动轴承故障诊断中，比较常用的振动诊断方法有特征参数法，频谱分析法，包络分析法，共振解调技术。其中共振解调技术是目前公认最有效的方法。 振动检测能检测轴承的剥落、裂纹、磨损、烧伤且适于早期检测和在线检测。因而，振动诊断法得到一致认可。包络检测是轴承故障振动诊断的一种有效方法,实际中已广泛使用。当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，虽然这些冲击成分是周期出现的，但单个冲击信号却具有非平稳信号的特性。Fourier变换在频域上是完全局部化的，但由于其基函数在时域上的全局性使它没有任何的时间分辨率，因此不适合非平稳信号的分析。短时Fourier 变换虽然在时域和频域上都具有一定的分辨率而由于其基函数只能对信号进行等带宽的分解。因此基函数一旦确定，其时域和频域分辨率也就不能变化，从而不能自适应地确定信号在不同频段的分辨率。小波变
声发射检测技术用于滚动轴承故障诊断的研究综述_郝如江
振 动 与 冲 击 第27卷第3期 J OURNAL OF V IBRAT I ON AND SHOCK Vo.l 27No .32008 声发射检测技术用于滚动轴承故障诊断的研究综述 基金项目:863计划(2006AA04Z438)资助;河北省自然科学基金(E2007000649)资助 收稿日期: 2007-06-25 修改稿收到日期:2007-07-12 第一作者郝如江男,博士生,副教授,1971年生 郝如江1,2 , 卢文秀1 , 褚福磊 1 (1.清华大学精密仪器与机械学系,北京 100084;2.石家庄铁道学院计算机与信息工程分院,石家庄 050043) 摘 要:声发射是材料受力变形产生弹性波的现象,故障滚动轴承在运转过程中会产生声发射。从几个方面综合 阐述了国内外轴承故障声发射检测技术的研究和发展现状,即轴承故障声发射信号的产生机理,故障声发射信号的传播衰减特性,声发射信号的参数分析法和波形分析法对故障特征的描述,轴承故障声发射源的定位问题,根据信号特征进行 故障模式识别以及声发射检测和振动检测的比较问题。通过分析总结出滚动轴承声发射检测技术下一步的研究方向,并指出滚动轴承故障的声发射检测是振动检测的有力补充工具,特别是在轴承低转速和故障早期的检测中更能发挥作用。 关键词:声发射;滚动轴承;故障诊断 中图分类号:TH 113,TG 115 文献标识码:A 滚动轴承是各种旋转机械中最常用的通用零部件之一,也是旋转机械易损件之一。据统计,旋转机械的故障有30%是轴承故障引起的,它的好坏对机器的工 作状况影响极大[1] 。滚动轴承主要损伤形式有:疲劳、 胶合、磨损、烧伤、腐蚀、破损、压痕等[2] 。轴承的缺陷会导致机器剧烈振动和产生噪声,甚至会引起设备的损坏。因此,对重要用途的轴承进行工况检测与故障诊断是非常必要的。 滚动轴承故障的检测诊断技术有很多种,如振动信号检测、润滑油液分析检测、温度检测、声发射检测等。在各种诊断方法中,基于振动信号的诊断技术应用最为广泛,该技术分为简易诊断法和精密诊断法两种。简易诊断利用振动信号波形的各种参数,如幅值、波形因数、波峰因数、概率密度、峭度系数等,以及各种解调技术对轴承进行初步判断以确认是否出现故障;精密诊断则利用各种现代信号处理方法判断在简易诊断中被认为是出现了故障的轴承的故障类别及原因。振动信号检测并非在任何场合都很适用,例如在汽轮机、航空器变速箱及液体火箭发动机等鲁棒性较低的系统中,轴承的早期微弱故障就会导致灾难性的后果,但是早期故障的振动信号很微弱,又容易被周围相对幅度较大的低频环境噪声所淹没,从而无法有效检测出故障的存在[3] 。由于声发射是故障结构本身发出的高频应力波 信号,不易受周围环境噪声的干扰[4] ,因此声发射检测方法在滚动轴承的故障诊断中得到了应用。 1 滚动轴承故障声发射检测机理 111 声发射检测技术原理 材料受到外力或内力作用产生变形或者裂纹扩展 时,以弹性波的形式释放出应变能的现象称为声发射[5] 。用仪器检测、分析声发射信号和利用声发射信号推断声发射源的技术称为声发射检测技术,它是20世纪60年代发展起来的一种动态无损检测新技术,其利用物质内部微粒(包括原子、分子及粒子群)由于相对运动而以弹性波的形式释放应变能的现象来识别和了解物质或结构内部状态。 声发射信号包括突发型和连续型两种。突发型声发射信号由区别于背景噪声的脉冲组成,且在时间上可以分开;连续型声发射信号的单个脉冲不可分辨。实际上,连续型声发射信号也是由大量小的突发型信号组成的,只不过太密集而不能分辨而已。目前对于声发射信号的分析方法主要包括参数分析法和波形分析法。112 滚动轴承故障声发射源问题 滚动轴承在运行不良的情况下,突发型和连续型的声发射信号都有可能产生。轴承各组成部分(内圈、外圈、滚动体以及保持架)接触面间的相对运动、碰摩所产生的赫兹接触应力,以及由于失效、过载等产生的诸如表面裂纹、磨损、压痕、切槽、咬合、润滑不良造成的的表面粗糙、润滑污染颗粒造成的表面硬边以及通过轴承的电流造成的点蚀等故障,都会产生突发型的声发射信号。 连续型声发射信号主要来源于润滑不良(如润滑油膜的失效、润滑脂中污染物的浸入)导致轴承表面产生氧化磨损而产生的全局性故障、过高的温度以及轴承局部故障的多发等,这些因素造成短时间内的大量突发声发射事件,从而产生了连续型声发射信号。 滚动轴承在运行过程中,其故障(不管是表面损伤、裂纹还是磨损故障)会引起接触面的弹性冲击而产生声发射信号,该信号蕴涵了丰富的碰摩信息,因此可利用声发射来监测和诊断滚动轴承故障。与振动方法不同的是,声发射信号的频率范围一般在20kH z 以上,而振动信号频率比较低,因此它不受机械振动和噪声
滚动轴承故障诊断技术
目录 摘要 (3) 第1章绪论 (4) 1.1滚动轴承故障诊断技术的发展现状 (4) 1.2滚动轴承故障诊断技术的发展趋势 (6) 1.3滚动轴承诊断基础 (7) 1.3.1滚动轴承的常见故障形式 (7) 1.3.2滚动轴承的诊断方法 (8) 1.4本课题的研究意义和内容 (9) 第2章滚动轴承振动机理 (11) 2.1滚动轴承的基本参数 (11) 2.1.1滚动轴承的典型结构 (7) 2.1.2滚动轴承的特征频率 (11) 2.1.3滚动轴承的固有频率 (13) 2.2滚动轴承故障诊断常用参数 (14) 2.2.1时间领域有量纲特征参数 (14) 2.2.2时间领域的无量纲特征参数 (15) 2.2.3频率领域的无量纲特征参数 (16) 第3章滚动轴承故障诊断实验系统及实验方案 (17) 3.1滚动轴承故障诊断实验系统 (17) 3.1.1滚动轴承故障实验机械平台 (18) 3.1.2设备的组成: (19) 3.1.3设备的主要参数: (19) 3.1.4实验平台信号采集及故障诊断系统 (21) 3.2实验方案 (23) 3.2.1轴承的故障状态 (23) 3.2.2实验步骤 (23) 第4章实验的操作过程及数据的提取 (25) 4.1装拆轴承 (25)
4.1.1实验前期准备 (25) 4.1.2试机 (25) 4.1.3拆卸并安装轴承 (25) 4.2信号的采集过程 (27) 4.2.1前期准备 (27) 4.2.2数据采集过程 (28) 4.3数据信号的处理过程 (30) 第5章结论 (35) 致谢 (36) 参考文献 (37)
旋转机械故障诊断特征参数的提取 摘要：本文对滚动轴承的故障形式、故障原因、常用诊断方法等诊断基础和滚动轴承故障的振动机理作了研究，并建立了相应的滚动轴承典型故障(外圈损伤、内圈损伤、滚动体损伤)的理论模型，给出了一些滚动轴承故障诊断常用的特征参数。通过对滚动轴承故障振动机理的研究可以帮助我们了解滚动轴承故障的本质和特征。本文对特征参数的提取，理论推导，和过程都进行了详细的阐述，本文所提出的方法不仅仅适用滚动轴承故障的诊断，还可推广适用旋转机械其它故障的诊断。 关键词:滚动轴承；故障诊断；特征参数；分辨指数；识别率 The Extraction on Fault Diagnosis Symptom Parameters of Rotating Machinery ABSTRACT：In the thesis ,the fault types,diagnostic methods and vibration principle of rolling bearing are discussed.the thesis sets up a series of academic models of faulty rolling bearings and lists some symptom parameters which often used in fault diagnosis of rolling bearings . the study of vibration principle of rolling bearings can help us to know the essence and feature of rolling bearings.In this paper, the parameters of the extraction, theoretical analysis, and process are described in detail, the paper by the way not only to the Rolling fault diagnosis, but also promote the application of other rotating machinery fault diagnosis. Keywords:Rolling Bearing; Fault Diagnosis; Symptom Parameter; Distinction Index; Distinction Rate
滚动轴承故障诊断
滚动轴承故障诊断 旋转机械是设备状态监测与故障诊断工作的重点，而旋转机械的故障有相当大比例与滚动轴承有关。滚动轴承是机器的易损件之一，据不完全统计，旋转机械的故障约有30％是因滚动轴承引起的，由此可见滚动轴承故障诊断工作的重要性。 最初的轴承故障诊断是利用听棒，靠听觉来判断。这种方法至今仍在沿用，其中的一部分已改进为电子听诊器，例如用电子听诊器来检查、判断轴承的疲劳损伤。训练有素的人员凭经验能诊断出刚刚发生的疲劳剥落，有时甚至能辨别出损伤的位置，但毕竟影响因素较多，可靠性较差。 继听棒、电子听诊器之后，在滚动轴承的状态监测与故障诊断工作中又引入了各种测振仪，用振动位移、速度和加速度的均方根值或峰值来判断轴承有无故障，这样减少了监测人员对经验的依赖性，提高了监测诊断的准确性，但仍很难在故障初期及时做出诊断。 1966年，全球主要滚动轴承生产商之一，瑞典SKF公司在多年对轴承故障机理研究的基础上发明了用冲击脉冲仪（Shock Pulse Meter）检测轴承损伤，将滚动轴承的故障诊断水平提高了一个档次。之后，几十家公司相继安装了大批传感器用于长期监测轴承的运转情况，在航空飞机上也安装了类似的检测仪器。 1976年，日本新日铁株式会社研制了MCV系列机器检测仪（Machine Checker），可分别在低频、中频和高频段检测轴承的异常信号。同时推出的还有油膜检查仪，利用超声波或高频电流对轴承的润滑状态进行监测，探测油膜是否破裂，发生金属间直接接触。1976-1983年，日本精工公司（NSK）相继研制出了NB 系列轴承监测仪，利用1~15kHz范围内的轴承振动信号测量其RMS值和峰值来检测轴承故障。由于滤除了低频干扰，灵敏度有所提高，其中有些型号的仪器仪表还具有报警、自动停机功能。 随着对滚动轴承的运动学、动力学的深入研究，对于轴承振动信号中的频率成分和轴承零件的几何尺寸及缺陷类型的关系有了比较清楚的了解，加之快速傅里叶变换技术的发展，开创了用频域分析方法来检测和诊断轴承故障的新领域。其中最具代表性的有对钢球共振频率的研究，对轴承圈自由共振频率的研究，对滚动轴承振动和缺陷、尺寸不均匀及磨损之间关系的研究。1969年，H. L. Balderston根据滚动轴承的运动分析得出了滚动轴承的滚动体在内外滚道上的通过频率和滚动体及保持架的旋转频率的计算公式，以上研究奠定了这方面的理论基础。目前已有多种信号分析仪可供滚动轴承的故障诊断，美国恩泰克公司根据滚动轴承振动时域波形的冲击情况推出的“波尖能量”法及相应仪器，对滚动轴承的故障诊断非常有效。还有多种信号分析处理技术用于滚动轴承的状态监测与故障诊断，如频率细化技术、倒频谱、包络线分析等。在信号预处理上也采用了各种滤波技术，如相干滤波、自适应滤波等，提高了诊断灵敏度。 除了利用振动信号对轴承运行状态进行诊断监测外，还发展了其他一些技术，如光纤维监测技术、油污染分析法（光谱测定法、磁性磁屑探测法和铁谱分析法等）、声发射法、电阻法等 简易诊断法确定轴承已经发生故障之后，进一步判定故障的类别和发生部位，以便采取相应对策。 滚动轴承的精密诊断与旋转机械、往复机械等精密诊断一样，主要采用频谱分析法。由于滚动轴承的振动频率成分十分丰富，既含有低频成分，又含有高频成分，而且每一种特定的故障都对应特定的频率成分。进行频谱分析之前需要通过适当的信号处理方法将特定的频率成分分离出来，然后对其进行绝对值处理，最后进行频率分析，以找出信号的特征频率，确定故障的部位和类别。 一、轴承内滚道损伤 轴承内滚道产生损伤时，如：剥落、裂纹、点蚀等（如图1所示），若滚动轴无径向间隙时，会产生频率为nZfi（n＝1，2,…）的冲击振动。
滚动轴承故障诊断的频谱分析
滚动轴承故障诊断的频谱分析 滚动轴承在机电设备中的应用非常广泛，滚动轴承状态的好坏直接关系到旋转设备的运行状态，因此在实际生产过程中作好滚动轴承的状态监测与故障诊断是搞好设备维修与管理的重要环节。 滚动轴承在其使用过程中表现出很强的规律性，并且重复性强。正常优质轴承在开始使用时振动和噪声均比较小，但频谱有些散乱，幅值比较小。运动一段时间后，振动和噪声保持在一定水平，频谱比较单一，仅出现一，二倍频，极少出现三倍工频以上频谱，轴承状态非常平稳，进入稳定工作期。持续运行后进入使用后期，轴承振动和噪声开始增大，有时出现异音，但振动增大的变化比较缓慢，此时，轴承峭度值开始突然到达一定值。可以认为此时轴承出现了初期故障。这时就要对轴承进行严密监测，密切注意其变化。此后轴承峭度值又开始快速下降，并接近正常值，而振动和噪声开始显著增大，其增大幅度开始加快，其振动超过标准时（ISO2372），其轴承峭度值也开始快速增大，当轴承超过振动标准，峭度值也超过正常值时，可认为轴承已进入晚期故障，需要及时检修设备，更换滚动轴承。 1、滚动轴承故障诊断方式 振动分析是对滚动轴承进行状态监测和故障诊断的常用方法。一般方式为：利用数据采集器在设备现场采集滚动轴承振动信号并储存，传送到计算机，利用振动分析软件进行深入分析，从而得到滚动轴承各种振动参数的准确数值，进而判断这些滚动轴承是否存在故障。采用恩递替公司的Indus3振动测量分析系统进行大中型电机滚动轴承的状态监测和故障诊断，经过近几年实际使用，其效果令人非常满意。要想真实准确反映滚动轴承振动状态，必须注意采集信号的准确真实，因此要在离轴承最近的地方安排测点。 2、滚动轴承正常运行特点与诊断技巧 滚动轴承的运转状态在其使用过程中有一定的规律性，并且重复性非常好。例如，正常优质轴承在开始使用时，振动幅值和噪声均比较小，但频谱有些散乱(图1)这可能是由于制造过程中的一些缺陷，如表面毛刺等所致。运行一段时间后，振动幅值和噪声维持一定水平，频谱非常单一，仅出现一、二倍频。极少出现三倍工频以上频谱(图2)，轴承状态非常稳定，进入稳定工作期。继续运行一段时
滚动轴承故障诊断 文献综述
滚动轴承故障诊断文献综述 [ 2008-4-2 14:38:00 | By: mp2 ] 推荐 文献综述 ——滚动轴承故障诊断 1.前言 滚动轴承是各种旋转机械中应用最广泛的一种通用机械零件，它是机器最易损坏的零件之一。据统计。旋转机械的故障有30％是由轴承引起的。可见轴承的好坏对机器的工作状况影响很大。轴承故障诊断就是要通过对能够反映轴承工作状态的信号的测取，分析与处理，来识别轴承的状态。包括以下几个环节：信号测取；特征提取；状态识别：故障诊断；决策干预[1]。 滚动轴承故障诊断传统的分析方法有冲击脉冲法，共振解调法，倒频谱分析技术。 在现代分析方法中，小波分析是最近几年才出现井得以应用和发展的一种时—频信号分析方法。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更为最著。由于滚动轴承的故障信号中禽有非稳态成分，所以刚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[2]。 滚动轴承故障的智能诊断技术就是把神经网络、专家系统、模糊理论等技术与滚动轴承的特征参数有机地结合起来进行综合分析的故障诊断技术。 2.故障信号诊断方法 2.1冲击脉冲法(spm) SPM技术(Shock Pulse Method)，是在滚动轴承运转中，当滚动体接触到内外道面的缺陷区时，会产生低频冲击作用，所产生的冲击脉冲信号，会激起SPM 传感器的共振，共振波形一般为20kHz～60kHz，包含了低频冲击和随机干扰的幅值调制波，经过窄带滤波器和脉冲形成电路后，得到包含有高频和低频的脉冲序列。SPM 方法是根据这一反映冲击力大小的脉冲序列来判断轴承状态的。此种方法目前被公认为对诊断滚动轴承局部损伤故障工程实用性最强的。此方法虽然克服了选择滤波中心频率和带宽的困难，但这种固定中心频率和带宽的方法也有其局限性，因为，一些研究结果表明，滚动轴承局部损伤故障所激起的结构共振频率并不是固定不变的，在故障的不同阶段可能激起不同结构的共振响应,而不同部位的故障(内、外圈、滚子)也会激起不同频率结构的共振响应。显然，固定的滤波频带有其局限性。实际使用情况表明，当背景噪声很强或有其他冲击源时，
滚动轴承的故障诊断系统研究时域系统研究
摘要 滚动轴承是旋转机械中应用最广泛的一种通用部件，也是机械设备中的易损零件，许多机械的故障都与滚动轴承的状态有关。据统计，在使用滚动轴承的旋转机械中，大约30％的机械故障是由于滚动轴承的损坏造成的。可见，滚动轴承的好坏对机械系统工作状况的影响极大。由于设计不当和安装工艺不好或轴承的使用条件不佳，或突发载荷的影响，使轴承运转一段时间后会产生各种各样的缺陷，并且在继续运行中进一步扩大，使轴承运行状态发生变化。因此，滚动轴承的故障诊断一直是研究的热点。 本文首先从理论上分析了滚动轴承的失效形式、振动机理、振动类型、及发生故障的原因、振动频率；然后在理论基础上提出了滚动轴承的时域、频域的诊断方法；最后搭建了基于Matlab的滚动轴承故障诊断系统，并通过Matlab仿真轴承故障信号，在软件中进行信号分析和处理，验证各种诊断方法的优劣和滚动轴承的故障特征。 本论文按照预定的要求完成了设计任务，研究了滚动轴承的故障诊断方法，完成了故障诊断系统的设计，通过仿真验证了滚动轴承的故障诊断方法。 关键词：滚动轴承；故障诊断；时域分析；频域分析；Matlab
Abstract Rolling element bearing is one of the most widely used general part of rotating machinery,and one of the most easily damaged parts of mechanical equipment. A lot of mechanical failure is relevant to the state of rolling element bearings. It is estimated that about 30 percent of mechanical failure is caused by its fault in the rotating machine with rolling element bearings. It is obvious that the quality of rolling element bearings has a great impact on the working condition of electromechanical systems. Because of wrong design, poor working condition or a jump heavy load, bearing will be damaged and worse during the running time. So at present, the fault diagnosis of rolling element bearings is a research hotspot. Firstly, the failure forms, the vibration mechanism, vibration type, and the failure cause, vibration frequency of bearing are analyzed in theory.Secondly, based on the theory put forward the time domain, frequency domain diagnostic methods.Finally, the software for the fault diagnosis system of the rolling bearings is designed by Matlab,along with the simulation of bearing fault signals by Matlab.To analysis and processing the signal in software. Verify the merits of various diagnostic methods and characteristics of rolling bearing faults. The paper successfully completed the design task and the result meets the expectation. We researched the fault diagnosis methods and completed the fault diagnosis system design and simulation shows the fault diagnosis methods of rolling element bearings. KeyWords：rolling element bearings,fault diagnosis,time-domain analysis, frequency-domain analysis,Matlab