1.1轴承状态检测的意义
滚动轴承的应用非常广泛 ,其状态好坏直接关系到机械的运行状态。滚动轴承是旋转机械中应用最广泛的一种通用机械部件。旋转机械的许多故障都与滚动轴承有着密切的关联。据统计，在使用滚动轴承的旋转机械设备中，约有30%的机械故障是与轴承损伤有关联的【1】。由于本身质量和外部条件的原因，其承载能力，旋转精度和减摩能性能等会发生变化，当轴承的性能指标低于使用要求而不能正常工作时，就称为轴承损坏或失效，轴承一旦发生损坏等意外情况时，将会出现其机器、设备停转，功能受到损伤等各种异常现象。因此需要在短期内查处发生的原因，并采取相应措施，研究滚动轴承损坏的形成和原因具有重要的意义，一方面可以改进使用方法，正确地使用轴承，充分发挥轴承应有的效能，另一方面有助于开发性能更好的新产品。在工业应用系统中，滚动轴承是其中的重要部件。而滚动轴承引发的故障是引起机器设备失效的重要原因。特别是在高速重载条件下的滚动轴承，由于工作面接触应力的长期反复作用，极易引起疲劳、裂纹、剥蚀、压痕等故障，从而引发轴承产生如断裂、胶着、烧损等现象。而这些故障将会使轴承的旋转精度降低，产生震动、噪声，增加轴承旋转的阻力。最终将使轴承受到阻滞和卡死，造成整个工业机械系统的失效。因此对轴承的故障检测显得非常重要。
1.2滚动轴承状态检测的技术
由于滚动轴承普遍存在于机械产品中，且种类多样，所以针对不同使用环境下的轴承有不同的状态检测方法。目前普遍使用的有冲击脉冲法（shock pulse Method，简称SPM）【1,2】；基于声发射的滚动轴承状态检测法；基于神经网络的滚动轴承状态检测等。
1.2.1冲击脉冲法
随着对滚动轴承的运动学、动力学的深入研究，对轴承的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较清楚的了解。目前，使用得最广泛的还是振动监测法，其中冲击脉冲法又是最受欢迎的一种检测诊断方法。冲击脉冲法主要通过掌握轴承内部损坏引起的机械冲击来检测轴承的故障。其基本原理是：滚动轴承在运转中如果滚动体接触到内、外滚道面的缺陷区(点蚀、裂纹等高低不平的粗糙区) ,将会产生冲击作用 ,在轴承滚道冲击点处会产生一系列压缩波(纵波) ,此压缩波是一个衰减波 ,并以超声的速度在轴承滚道体和轴承座内传播。纵波在不同介质中的传播速度不同。在轴承座的某一点用一个传感器(SPM传感器)接受此信号 ,并引起传感器共振 ,记录相应的传感器输出 ,就可以得到与冲击大小对应的冲击脉冲信号【2】。 1.2.2声发射方法 固体材料在力的作用下，如果内部存在缺陷的，就会产生应力集中，使塑性变形加大或形成裂纹并扩展，这些都会释放弹性波，这种现象称为声发射（Acoustic Emission，简称AE）。由此可见，声发射信号的产生是塑性变形和裂纹的产生与扩展时释放的弹性波所致。 对于滚动轴承的故障诊断，例如对轴承的疲劳断裂，由于轴承经常受到冲击的交变载荷作用，会产生疲劳裂纹，并沿着最大切应力方向向金属内部扩展，当扩展到某一临界尺寸时就会发生瞬时断裂。这种故障经常发生在滚动轴承的外圈。而疲劳磨损是由于循环接触压应力周期性地作用在摩擦表面上，使表面材料疲劳而产生微粒脱落的现象。这种故障的发生过程大致如下：在初期阶段，金属内晶格发生弹性扭曲；当晶格的弹性应力达到临界值后，开始出现微观裂纹；微观裂纹再进一步扩展，就会在滚动轴承的内、外圈滚道上出现麻点、剥落等疲劳损坏故障。这些故障的发生与发展，都伴随着声发射信号的产生【4】。
各种材料声发射的频率范围很宽，从次声波、声波到超声波，金属材料声发射频率可达几十到几百兆赫。其信号的强度差异也很大，可以从几微伏到几百伏。图6为声发射传感器在回转环齿轮上的安装示意图，两个声发射接收器S1和S2安装在回转环直径两端的壁上，通过前置放大器连接到声发射源定位系统上。用阈值电平法减少背景噪声对测量的影响，当声发射信号超过阈值电平时才进行计数，用声发射事件计数频率和声发射累计脉冲数作为监测系统。还可以测量两个传感器的信号到达时间之差，以此计算出故障发生的部位。
图6 声发射传感器在回转环上的安装
1.2.3神经网络方法
人工神经网络（Artificial Neural Networks, ANN），一种模范动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。人工神经网络具有自学习和自适应的能力，可以通过预先提供的一批相互对应的输入－输出数据，分析掌握两者之间潜在的规律，最终根据这些规律，用新的输入数据来推算输出结果，这种学习分析的过程被称为“训练”。
由大量处理单元互联组成的非线性、自适应信息处理系统。它是在现代神经科学研究成果的基础上提出的，试图通过模拟大脑神经网络处理、记忆信息的方式进行信息处理。
研究表明, 当轴承元件在负载旋转过程中出现疲劳、压痕或局部腐蚀等故障时将会对元件产生冲击振动, 而这些振动反复互激, 又引起更大振颤, 可以用振动传感器(加速度计)获取滚动轴承的振动加速度信息。作为二次效应的振动加速度信号X 可以看作是滚动轴承旋转角速度的非线性函数 , 对于这样一个动态非线性系统, 可用如下离散系统加以描述, 即:
X (k) = f[X (k- 1), X (k- 2), …, X (k- n); Ξ(k), Ξ(k- 1), „, Ξ(k- m) ] m≤n (1) 式中 X(k)——加速度计的输出采样值
Ξ(k)——轴承内环旋转角速度的采样值
在此, 完全可以应用神经网络构造轴承的非线性模型, 并可依据该模型实现故障的在线检测【5】。
1.3滚动轴承状态检测的信号分析与处理技术
在轴承状态检测过程中，采集到的轴承振动信号包含了轴承状态变化和影响装配精度的故障信息。信息处理是提取故障信息的有效手段，而故障信息是进行影响精度的故障诊断的决策依据。滚动轴承振动信号的处理方法有很多，如时域分析，频域分析，时-频域分析等【3】。
时域分析是振动检测方法中发展最早的一种检测方法。在时域诊断中，普遍采用振动信号的基本数字特征及概率分布特征来进行分析和诊断。应用比较广泛的有振动信号的平均值，均方根值，方差，概率密度函数，概率分布函数，自相关函数，互相关函数及峰值因子，波形因子，峭度系数等无量纲特征参数【3】。单从时域波形上直接观察分析，往往很难看出轴承的状态是否正常，更难判断有无故障的性质、部位。
频域分析法直接对轴承信号进行频谱分析，结合频谱图的结构和特征频率的和频及差频，可以对轴承装配的早期故障进行较精密的诊断。共振解调法是频域分析法中的一种比较有效的方法。该方法以轴承的共振频率区作为检测频带，以经过放大，滤波，解调后获得低频脉动信号作为分析依据，但振动信号经过滤波等处理后，信号的能量必然有一定的损失，如果处理不当，就会产生信号畸变，影响分析结果。同时，由于流体动力噪声及旋转部件的震动干扰，工况（轴承转速，润滑程度以及现场的振动源）对振动信号的影响较大，因此频域分析只适用于对简单机械进行简单的诊断。
1.3.1SPM法检测轴承状态时所得信号分析
SPM 传感器的输出共振波形一般为 20kHz ～60kHz ,包含了低频冲击和随机干扰的幅值调制波 ,然后通过高通滤波 ,将不平衡、不对中、松动等引起的低频振动滤掉。因此 ,进行冲击脉冲测试轴承时不受其它振动信号的影响。进一步经过脉冲形成电路后 ,得到高频冲击信号的脉冲序列。SPM 方法就是根据这一反映冲击力大小的高频脉冲序列强度 ,并采用分贝值来表示轴承的冲击脉冲值 ( dBsv)及其归一化导出量 dBm 、dBc 和其它的信号处理指标 ,来评价滚动轴承的运转状态和故障情况的。
1.3.2声发射法检测轴承状态时的信号分析
实验研究了滚动轴承的正常、外环损伤、内环损伤、滚动体损伤和保持架损伤五种典型状态在不同载荷和转速下的振动响应 ,并对各状态下的声发射信号进行了振动分析 ,定义了基于振动分析的声发射信号特征参数【6】。通过声发射检测装置进行实验，记录实验轴承在不同转速下的声发射信号，根据各实验的声发射信号波形图、频谱图、特征参数值及趋势分析总结得出基于振动分析的滚动轴承声发射信号特征参数。
1.4轴承运行状态的识别
1.4.1SPM方法的滚动轴承评价指标
冲击脉冲法将轴承寿命定义为:一只完好的新轴承有一个初始冲击振动值 ,当冲击振动值达到初始冲击振动值的1000 倍左右时 ,就认为该轴承已经达到使用寿命的终点。用分贝(dB)表示时 ,轴承寿命终点的冲击振动值为60dB【2】。
1.4.2基于声发射的轴承运行状态识别
采用双阈值法,（即对故障信号的幅值和宽度分别设立独立阈值）识别轴承是否有重大故障，轴承重大故障基本体现为机械冲击而产生的电脉冲信号，此信号具有一定的幅值高度和时域宽度，设定幅度阈值用来识别故障的严重程度，设定时域宽度阈值用来剔除外界电脉冲产生的尖锋干扰，从而识别有一定时域宽度的故障信号。一般情况下，轴承故障越严重，在其转动时受到的机械冲击越大，产生的声发射能量也越大，故障信号时域宽度也越宽。是与宽度阈值的设定一方面有效剔除外界干扰，另一方面也进一步识别故障的严重程度。对这两种阈值判别器的输出采用逻辑“与”的方法，即两者均满足条件时，即认为故确实发生。因此这种方法不仅能有效的识别故障的严重程度，还能极大的防治误报。
通过声发射检测装置进行多组实验，在通过对所得数据进行信号分析处理后，得到的有关轴承在运行过程中的五个状态的特征参数来来定义其工作状况。五个状态分别为正常、外环损伤、内环损伤、滚动体损伤和保持架损伤【3】。实时检测轴承的运行状态，得到其运行过程中的相关参数与特征参数对比即可判断出轴承的运行状态。
1.5总结
滚动轴承的应用非常广泛 ,其状态好坏直接关系到机械的运行状态。因此 ,实际生产中做好滚动轴承状态监测与故障诊断是搞好机械维修与管理的重要环节。所以针对各种不同使用环境和要求，要选用适当的轴承状态检测方法，在尽可能节约而又简单的前提下达到轴承检测的目的。
参考文献：
【1】张国远（硕士学位论文） 《基于PC机的滚动轴承自动检测与故障诊断系统》 杭州：浙江大学，2005
【2】《机械传动》 2009年02期 基于虚拟仪器和冲击脉冲法的滚动轴承故障诊断系统设计 万书亭 娄源元 赵秀芳
【3】 屈梁生，何正嘉 《机械故障诊断学》 北京：北京工业机械出版社
【4】. 基于声发射的滚动轴承损伤振动机理研究廖传军 ,罗晓莉 ,李学军(湖南科技大学 机械设备健康维护湖南省重点实验室 ,湘潭 411201) 100026656(2007)1220712204
【5】基于神经网络的滚动轴承检测庄哲民 (汕头大学电子工程系 汕头 515063)林志强 (东南大学电子工程系 南京 210018) 【6】.刘春浩 ,王吉林 ,杨 晨 ,等.滚动轴承振动的模拟和实验分析[J ].轴承 ,2000 ,(6) :36 - 43.
【7】DOI: 10.3901/CJME.2009.02.244, available online at www.cjmenet.com; Grey Relation between Nonlinear Characteristic and Dynamic Uncertainty of Rolling Bearing Friction Torque
【8】Condition monitoring of low-speed and heavily loaded rolling element bearing Rende Liu Industrial Lubrication and Tribology Volume 59 · Number 6 · 2007 · 297–300
Shanghai Baosteel Industry Inspection Company, Shanghai, People’s Republic of China 【9】Bearing condition monitoring based on shock pulse method and improved redundant lifting scheme Li Zhena,∗, He Zhengjia b, Zi Yanyang a, Chen Xuefeng a a School of Mechanical Engineering, Xi’an Jiaotong University, 710049 Xi’an, China b State Key Lab for Manufacturing Systems Engineering, Xi’an Jiaotong University, 710049 Xi’an, China Received 17 January 2007; received in revised form 28 December 2007; accepted 28 December 2007
Available online 17 January 2008
2.轴承状态检测装置的设计
2.1轴承状态检测流程图
本检测系统过程，将采用加速度传感器以采集振动信号，并把信号输入PC工控机，应用谱分析方法进行数据分析处理，从中抽取特征，再应用识别技术对特征进行识别，得出是否故障或故障部位。此状态监测与故障诊断系统的流程图如下图所示
压电式加速度传
感器
故障振动信号在线检测 电荷放大器 放大传感器所得的信号 数据采集 将传感器所得模拟信号转换为数字信号 工业控制计算机 对信号进行时频域等分析 特征抽取
神经网络 将数字信号导入计算机 轴承状态的判断
2.2传感器
2.2.1传感器的选择
滚动轴承因其固有特性、制造条件、使用情况的不同,其振动可能是低频或高频振动,但更多的情况下是同时包含了低频和高频两种振动成分。因此,检测的振动速度和加速度分别覆盖两个频带,必要时可用滤波器取出所需的频率成分。如果是较宽的频带上检测振动级,则低频振动的轴承检测振动速度,高频振动的轴承检测振动加速【3】 。
在轴承状态检测是首先要选用合适的传感器，由于振动信号在故障初期就可以发现异
常，并且目的是实现轴承在线检测，而且振动信号发自轴承本身，所以不需要特别的信号源，信号的检测和处理也相对简单，因此主要选用采用了压电式加速度传感器YD-12【2】来测量振动信号，将传感器安装在合适的测点位置，由于传感器测得的振动信号觉微弱，因此，传感器的测得的信号要接入电荷放大器进行放大。
压电式加速度传感器YD-12的工作参数： 灵敏度8~10pC/（m·s\\{-2\\}）， 频率1~10000Hz，
极限加速度2000m/s2， 工作温度-20~100℃， 侧向引出，中心压缩。
2.2.1传感器的安装
要实现不解体诊断,振动信号只能在机壳表面拾取。传感器的布局尽可能靠近待测部位,使测取信号的传递路径短而直接,尽量避免信号的减弱、畸变或传递受阻,使所测的信号能最大限度地反映检测部位的工况。一般,若轴承外露,测点位置可直接选在轴承座上;反之,测点应选在轴承座钢性较好的部位或基础上。 2.3电荷放大器
基于压电效应的传感器。是一种自发电式和机电转换式传感器。它的敏感元件由压电材料制成。压电材料受力后表面产生电荷。此电荷经电荷放大器和测量电路放大和变换阻抗后就成为正比于所受外力的电量输出。压电式传感器用于测量力和能变换为力的非电物理量，如压力、加速度等(见压电式压力传感器、加速度计)。它的优点是频带宽、灵敏度高、信噪比高、结构简单、工作可靠和重量轻等。缺点是某些压电材料需要防潮措施，而且输出的直流响应差，需要采用高输入阻抗电路或电荷放大器来克服这一缺陷。配套仪表和低噪声、小电容、高绝缘电阻电缆的出现，使压电传感器的使用更为方便。它广泛应用于工程力学、生物医学、电声学等技术领域。
这种传感器在设计与生产上已经趋于国际标准化，所以在电荷放大器，电压跟随器
等配套使用产品的选择上很方便。
电荷放大器是输出电压正比于输入电荷的一种放大器，它是利用电容反馈的，并具有高增益的一种运算放大器。电荷放大器的主要特点是测量灵敏度与电缆长度无关，这对远距离测量是非常方便的。
根据实验要求可选用下面介绍的电荷放大器：
DHF-7型电荷放大器：
DHF-7型电荷放大器是一种高性能的小型，简易，低价格的电荷电压转换器。 主要性能参数：
电荷灵敏度：10mV～100mV/pC(也可根据用户的要求确定) 工作频率：0.3Hz～50Hz(≤3%,也可根据用户的要求扩展频带) 精度：≤2%（160Hz）
最大输入电荷：1000pC(电荷灵敏度为10mV/pC、使用±15V电源) 最大输出电压：±10V(p-p值) 最大输出电流：±5mA 交流噪声：≤2mV 直流零漂：≤5mV 工作电源：≤外接±直流电压（±5V～±15V） 外形尺寸：80×60×30mm
2.4 数据采集卡
2.4.1 PCI-1711数据采集卡 在数据采集和处理过程中，有些模拟信号的幅值和频率变化的速度是非常快的，如何将这些高速变化的模拟信号采集到计算机里进行处理便是一个需要解决的实际问题。由于数字数据传输速率等系统瓶颈的影响，使用常规的技术方法往往不能理想地解决上述实际问题。以PCI总线为代表的高性能局部总线的推出，为计算机的模拟输入通道采样频率的大幅度提高提供了坚实的技术基础。
图2-9 PCI-1711数据采集卡
如图2-9所示，PCI-1711是12位的低损耗多功能采集卡卡，具有独特的电路设计和完善的数据采集与控制功能，支持即插即用，具有FIFO的高速缓存，可灵活设定输入类型和范围，具有16通道单端模/数输入。16通道数字I/O和2通道数模输出，采集速率可达100kHz,可编程的计数/计时器可作为A/D转换的速度触发，同时具有通道自动搜索功能。内部结构主要有单端模拟输入通道。模拟输出通道和触发源连接三部分。
PCI-1711采集卡的信号线要尽可能远离电源线。发电机和具有电磁干扰的场所，也要远离视频监视系统，因为它会对数据采集系统产生很大的影响。在现场试验中，如果信号线和电源线必须并行(比如在同一个电缆沟里),则两者之间必须保持适当的安全距离，同时最好用屏蔽电缆，以确保信号安全准确地传输。
采集卡的每个通道的模拟量采集都有一个输入电压范围，超过了这一范围会造成采集卡A/D转换部分的烧毁，所以在采集模拟信号时，要保证被采集的信号在设定的量程范围内。
2.4.2 PCI1711多功能卡的特点
在本次试验中所使用的事研华PCI1711多功能卡是高性能的多功能卡，具有以下特点：
（1）16单端或8通道差分模拟输入或条件输入。利用该通道可以获得多路MIMO系统的信号。
（2）12位A/D转换，最高转换率100 KHz SPS。 （3）每个通道增益可编程。
（4）单端或差分通道可以自由组合。
（5）板上4 K采样FIFO缓冲区，可以获得更长时间的信号特性。
（6）同时具有两个12位模拟输出通道。我们利用该通道，可以同时提供两路任意波形发生器。包括随机信号、干扰信号等。
（7）16个数字输入，16个数字输出。通过利用数字可编程逻辑器件扩展卡，可以进行数字对象和控制器的模拟，从而把系统推进到纯数字化。
（8）可编程计数器，可以进行计数，可以获得直流电机速度，可以控制模拟通道采集的触发。
PCI-1711是一种非常经济实用的数据采集卡，可以应用在很多领域。在现场试验中，用PCI-1711采集卡采集重力加速度计和陀螺输出的电压信号，经过采集卡的A/D采集，并对数据进行处理，将所得数据通过一个良好的人机界面显示出来。
2.4.3计数器板卡硬件结构：
研华PCI-1780是一款PCI总线的多通道计数器定时器卡。该卡使用了AM9513芯片，能够通过CPLD实现计数器/定时器功能。该卡提供的主要功能有：8位可编程时钟源，8位数字量TTL输出和8位数字量TTL输入，最大20MHz输入频率，可选多个计数器时钟源，计数器输出可编程，计数器门控功能。下图2-10为1780数据采集卡。
图2-10 PCI-1780数据采集卡
2.5工业PC
MEC-5004 工业无扇双核嵌入式PC, 采用板载Core Duo处理器 主要规格 / 特殊功能:
• 大小: 245 x 235 x 95mm
• 处理器: 板载Core Duo U7500/L7500 CPU • 内存: 板载内存512MB (选用1GB)
• 硬盘空间: 标准配置2.5 80G SATA HDD, 1 x 紧凑闪存卡 • I/O 接口:
板载视频: 1 x VGA 端口, 1 x LVDS 端口 KB/MS 端口: 1 x PS/2 端口
COM 端口: 5 x RS-232 (RS-232/422/485选用于COM1), 6 x USB 2.0 端口(2 x 前置端口) 网络端口: 2 x GbE RJ45端口
• 音频: 1 x 扬声器输出, 1 x 麦克风输入
• 扩展总线: 1 x PCI, 1 x PCIE 8X 扩展槽, 1 x PC/104+ 总线, 1 x 迷你PCI总线 • 数字I/O: 8路输入+ 8路输出 (内置机箱) • 工作温度: -10-55°C • 存储温度: -40-60°C
• 可靠性: MTBF 50,000 hours
• 供应电源: 9-30V DC 输入电源, 通过AC 100-240V电源适配器输入150W AC, 50-60Hz电源
厂家：深圳市研祥旺客实业有限公司 2.6模式识别
在滚动轴承实验台上采集正常工况下轴承的振动信号,然后在相同型号的轴承人为制造各种故障再次进行振动信号的采集,将正常工况下的信号作为标准信号,然后将各种故障工况下的信号与之作相应的对比。通过不同的数据处理手段来判定故障程度及故障类型,验证与已知的情况是否匹配,判断处理方法的有效性和可信度。
参考文献：
【1】. 基于概率神经网络的轴承状态监测与故障诊断Rolli ng Bea ring Condition Monitoring and Fault Di agnosisBased on Probabilistic Neura l Network周媛婧 李威霖(西南交通大学机械工程学院,四川成都610031)
【2】振动用加速度传感器性能的测试与分析 姚志昌 徐茂峰 杨志伊（中国矿业大学摩擦研究室 2005.05）
【3】滚动轴承故障诊断中振动信号的采集 戴静君1 刘丽华2 薛庆齐2 孟 波1 (11 北京石油化工学院, 北京102617 ; 21 北京化工大学,2008.06)
3.特征值抽取—bp神经网络建立 3.1BP神经网络的概念：
BP (Back Propagation)神经网络，即误差反传误差反向传播算法的学习过程，由信息的正向传播和误差的反向传播两个过程组成。输入层各神经元负责接收来自外界的输入信息，并传递给中间层各神经元；中间层是内部信息处理层，负责信息变换，根据信息变化能力的需求，中间层可以设计为单隐层或者多隐层结构；最后一个隐层传递到输出层各神经元的信息，经进一步处理后，完成一次学习的正向传播处理过程，由输出层向外界输出信息处理结果。当实际输出与期望输出不符时，进入误差的反向传播阶段。误差通过输出层，按误差梯度下降的方式修正各层权值，向隐层、输入层逐层反传。周而复始的信息正向传播和误差反向传播过程，是各层权值不断调整的过程，也是神经网络学习训练的过程，此过程一直进行到网络输出的误差减少到可以接受的程度，或者预先设定的学习次数为止。
3.2特征值抽取过程：
由于制造装配误差以及其他许多因素都会引起轴承振动,传感器拾取的振动信号中除了
[10]
损伤引起的冲击性振动信号外,还包含了大量的其他振动信号。滚动轴承的振动信号的特征包括时域特征和频域特征，这些特征的合理组合能够很好的反应滚动轴承的运行状态，实现对其的监测，并能通过进一步处理实现故障的识别。
时域特征可包含信号的能量、波动性等信息，但远远不足以准确判断故障所在；频域的特征则是更加明显。然而只有两累特征综合来判断才能对故障进行准确识别。
下面对时域和频域的各个参数分别进行分析，从中抽取特征，用作模式识别的输入量。特征选取依据以下原则：
（1）同种状态信号的特征重复性好； （2）不同种状态信号的特征差异性好。
3.2.1时域频域特征值抽取：
时间域信号的评价指标。一个信号时域的一些参数见下表，表格中共列出了9个评价时域的参数，以及其对应的计算公式和实际意义。
特征类别 均方根值 公式表达式 作用 与轴承表面波纹等缺陷引起的无规则振动波形的异常有较好的相关性 反映了信号偏离平均值的程度 反映了信号的不对称性 Xrms峰态系数 1N2xii1N1NxixCK3 4Ni14偏态系数 1CSNi1Nxix33 峰值 Xpeak峰值因子 1nxj nj1对有磨损又有表面损伤性故障比较有效 适用于点蚀类故障的诊断 反映了振动脉冲的频率 C脉冲因子 XpeakXrms I波形因子 XpeakXrmsNix 4 可用来判定滚动轴承的损伤类型 表示轴承振动信号振幅的规则性，当过大时则意味着有故障出现 反映信号冲击程度的一个指标，对轴承的冲击故障较为敏感 S 峭度 裕度系数 v1Nx2xxi1 1Nxi12iNclfxmax1Ni1Nxi2滚动轴承的振动信号在采集过程都是以时间为单位的，以一定的采样频率在一定的时间内采集传感器信号，得到大量的数据点，这些点以时间为横坐标呈现在坐标系中，就得到滚动轴承的振动信号时域的抽样信号。
在时域对轴承运行过程监测到得数据绘制图形如下，可以看出轴承在正常运行和故障运行时明显存在差异，即可知道用时域分析是可以判断轴承的运行状态的。
根据以上时域特征值公式编写特征值抽取程序如下：
a=load('C:\\Documents and Settings\\Administrator\\桌面\\设备工况监测\\数据\\故障\\guzhang3cp10000zs30.txt'); a0=(mean(a)); b=std(a);
c0=sqrt(mean(a.^2));
c1=mean(((a-a0)/b).^4)-3; c2=mean(((a-a0)/b).^3);
c3=(max(a(1:5000))-min(a(1:5000)))/2+(max(a(5001:10000))-min(a(5001:10000)))/2; c4=c3/c0; c5=c3/a0; c6=c0/a0;
c7=(mean((a-a0).^4))/(a0)^2;
c8=abs(max(a))/((mean(sqrt(abs(a))))^2); shujuhuizong=[c0,c1,c2,c3,c4,c5,c6,c7,c8]
根据以上程序对轴承运行过程中所测的值进行计算，用得到得数据绘制时域特征值的柱形图如下：（其中前三列为故障值，后三列为正常值）
从上面的柱形图可以看出时域中有4个特征很明显能够分辨出轴承运行的状态。分别为：峰值系数， 偏态系数， 峰值， 峭度。
3.2.2频域特征值抽取：
重心频率 FCfi1Ni1Nipip 表示功率谱重心的变化，反应了轴承振动中的频率变化 i 频率方差 VFfi1Nifcpi2i表示功率谱信号的离散程度 pi1N 描述谱信号的主频带变化 均方频率 MSFfi1Ni1N2ipi ip根据以上频域特征值公式编写特征值抽取程序如下
fa=load('C:\\Documents and Settings\\Administrator\\桌面\\设备工况监测\\数据\\故障\\guzhang3cp10000zs30.tx'); fa0=fa-mean(fa); [p,fi]=pwelch(fa0); fc=sum(fi.*p)/sum(p);
vf=sum((fi-fc).^2.*p)/sum(p); msf=sum(fi.^2.*p)/sum(p); shujuhuizong=[fc,vf,msf]
根据计算所得数据绘制的频域柱形图如下：
可以看到频域的三个特征均不能明显区分轴承的运行状态。故放弃频域特征。
根据以上时域，频域所得特征值汇总如下表：
特 征 参 数 均方根 值 时域特征 峰系数 偏 态 态 系 数 峰 值 峰值因 子 脉 冲 因 子 波 形 因 子 峭 度 裕度系数 频域特征 重心频 率 频率方 差 均方频 率 好1 2 3 2.2651 8.3863 -0.4750 4.9540 2.1871 -2.2159 2.2647 7.9322 -0.4686 3.8730 1.7102 -1.7234 2.2622 8.2939 -0.3985 4.6995 2.0774 -2.1014 2.2687 9.5105 -0.5372 5.0390 2.2211 -2.2498 -1.0331 0.0398 0.0716 0.7837 0.5780 1.1922 1.0112 -1.0115 0.0279 0.3310 0.4706 0.3148 0.5362 0.0305 0.3039 0.7466 0.5501 1.1075 的 4 -1.0120 0.0360 0.0449 0.7540 0.5548 1.1233 -1.0121 0.0324 0.1549 1.4134 0.6364 1.9436 -10110 5 6 故2.2614 7.9689 -0.5457 4.2220 1.8670 -1.8996 2.2618 8.0407 -0.4538 4.7020 2.0789 -2.1017 2.2637 1.0362 -0.0788 2.9440 1.3005 -1.3137 2.2614 1.0167 -0.1126 2.4465 1.0818 -1.0927 2.2635 1.1001 -0.0950 3.004 1.3272 -1.3414 0.0271 0.1681 0.7837 0.5726 1.1869 7 8 9 -1.0102 0.0085 0.2727 0.6463 0.6612 1.0789 -1.0101 0.0082 0.3080 0.6436 0.6508 1.0650 -1.0107 0.0095 0.2478 0.6494 0.6657 1.0874 -1.0104 0.0090 0.2065 0.6396 0.6515 1.0605 -1.0106 0.0086 0.2561 0.6470 0.6601 1.0787 -1.0100 0.0080 0.3185 0.6432 0.6568 1.0690 障 10 2.2579 1.0721 -0.1163 2.4695 1.0937 -1.0015 2.2643 1.1281 -0.1100 3.1725 1.4011 -1.4153 11 12 2.2633 0.9451 -0.1157 2.7745 1.2259 -1.2381 ----粗体数据为好的特征（峰态系数，偏态系数，峰值，峭度）
由于时频域特征比较少，故采用FFT来对原始信号进行快速傅里叶变换，寻找不同频率
范围能够分辨轴承的运行状态。
3.3.3FFT变换
FFT变换的程序：
clear
a=load('C:\\Documents and Settings\\Administrator\\桌面\\设备工况监测\\数据\\好的\\hao1cp10000zs20.txt'); a=a-mean(a); N=length(a); x=abs(fft(a));
plot((1:N/2)/(N/10000),x(1:N/2))
根据以上程序对轴承运行过程中所测的值进行计算，用得到得数据绘制FFT频域图如下：
通过FFT变换可以看出轴承在运行过程中故障特征很明显，所以可以FFT频域进行特征值抽取。
FFT特征值抽取程序：
clear
a=load('C:\\Documents and Settings\\Administrator\\桌面\\设备工况监测\\数据\\好的\\hao3cp10000zs20.txt'); a=a-mean(a); N=length(a); x=abs(fft(a));
f=(1:N/2)/(N/10000); plot(f,x(1:N/2),'y') set(gca,'color','k'); xlabel('频率(Hz)'); ylabel('幅值');
f1=(length(f)*450)/5000; f2=(length(f)*500)/5000; c1=max(x(fix(f1):fix(f2))) c2=mean(x(fix(f1):fix(f2)))
FFT频率谱抽取的特征值：
350-400HZ： 好的：496.5633 480.9593 475.5351 498.8433 483.5117 474.8079 472.9576 481.7671 495.2511 故障：620.1874 282.0423 273.8244 657.7575 301.1244 281.0955 627.2828 276.1990 271.0259 450-500HZ： 好的：111.8644 112.3030 112.6741 115.1622 113.5944 111.3624 110.5666 109.2023 113.8607： 故障：120.9312 274.0776 286.2901 121.4998 292.8617 272.0245 110.0966 276.2812 271.3410 650-700HZ: 好的：182.8258 174.5505 178.2659 186.1289 187.9347 177.6200 180.4608 169.2662 194.2441 故障：221.8207 74.2094 77.9379 214.4738 70.1312 75.2987 192.0649 77.2379 77.8884 850-900HZ： 好的：92.3582 90.6425 93.2510 90.6791 88.4312 91.3120 88.6088 87.8076 92.9984 故障：53.9163 121.6221 136.7401 51.6980 126.2728 123.8693 52.3961 135.1821 127.1794 3950-4000HZ： 好的：138.3729 128.7698 130.3966 141.2432 126.8324 133.8082 132.5787 125.4858 124.7685故障：51.0359 62.7418 63.9950 49.8127 63.4444 60.2702 49.8042 63.9488 59.2362 4300-4350HZ： 好的：88.9685 87.4982 87.3047 88.1740 89.6001 87.4930 87.1327 87.8917 85.1052 故障：31.5810 33.7980 35.5357 31.3128 38.2504 32.8428 29.7726 36.2184 31.7084 根据六个频率范围所得的数据绘制柱形图如下：
3.3特征值归一化处理
x=[load('C:\\Documents and Settings\\Administrator\\桌面\\时域\\新建 文本文档.txt'); load('C:\\Documents and Settings\\Administrator\\桌面\\时域\\新建 文本文档 (3).txt'); load('C:\\Documents and Settings\\Administrator\\桌面\\时域\\新建 文本文档 (4).txt'); load('C:\\Documents and Settings\\Administrator\\桌面\\时域\\新建 文本文档 (5).txt'); load('C:\\Documents and Settings\\Administrator\\桌面\\FFT\\350-400.txt'); load('C:\\Documents and Settings\\Administrator\\桌面\\FFT\\450-500.txt'); load('C:\\Documents and Settings\\Administrator\\桌面\\FFT\\650-700.txt'); load('C:\\Documents and Settings\\Administrator\\桌面\\FFT\\850-900.txt'); load('C:\\Documents and Settings\\Administrator\\桌面\\FFT\\3950-4000.txt'); load('C:\\Documents and Settings\\Administrator\\桌面\\FFT\\4300-4350.txt')] for i=1:10 for j=1:12
y(i,j)=(x(i,j)-min(x(i,:)))/(max(x(i,:))-min(x(i,:))); end end
guiyiliangzhi=y
汇总的原始特征值
8.3863 7.9322 8.2939 -0.475 -0.4686 -0.3985 -0.5372 -0.5457 -0.4538 -0.0788 -0.1126 -0.095 -0.1163 -0.11 -0.1157 4.9540 3.8730 4.6995 5.0390 4.2220 4.7020 2.9440 2.4465 3.0040 2.4695 3.1725 2.7745 0.0398 0.0279 0.0305 480.96 475.54 483.51 474.81 481.77 495.25 282.04 273.82 301.12 281.1 112.3 112.67 113.59 174.55 178.27 186.13 187.93 177.62 180.46 74.209 77.938 70.131 75.299 77.238 77.888 90.642 93.251 88.431 91.312 87.808 92.998 121.62 136.74 126.27 123.87 135.18 127.18 138.37 128.77 130.4 126.83 133.81 88.969 87.498 87.305 87.493 87.133 87.892 31.581 33.798 35.536 31.313 32.843 31.708 132.58 62.742 63.995 63.444 60.27 63.949 59.236 111.36 109.2 113.86 274.08 286.29 292.86 272.02 276.28 271.34 276.2 271.03 0.036 0.0324 0.0271 0.0085 0.0082 0.0095 0.009 0.0086 0.008 9.5105 7.9689 8.0407 1.0362 1.0167 1.1001 1.0721 1.1281 0.9451 归一化处理之后的数据
0.86875 0.81574 0.85796 1 0.82002 0.15142 0.16513 0.31527 0.018205 0 0.19683 0.96721 0.55024 0.86905 1 0.68486 1 0.62579 0.70755 0.8805 0.93626 0.91207 0.94764 0.90883 0.93986 1 0.049131 0.012481 0.13423 0.044908 0.023071 0.016883 0.018903 0.023914 0.011761 0 0.025364 0.89772 0.96422 1 0.88654 0.88639 0.057935 0.11124 1 0.87865 0.89921 0.85417 0.94232 1 0.9745 0.97114 0.97441 0.96816 0.98132 0.0046518 0.043104 0.073243 0 0.026537 0.0068614 0.92678 0.044298 0.060134 0.053176 0.013066 0.05955 0 0.012744 0.071617 0 0.10608 0.69104 1 0.78609 0.73697 0.96816 0.80461 0.91792 0.98467 1 0.91244 0.93656 0.034619 0.066269 0 0.043865 0.060327 0.065849 0.90972 0.88282 0 0.7673 0.60063 0.015723 0.0062893 0.04717 0.031447 0.018868 0 0.87001 0.1919 0 0.21504 0.0088717 0.28004 0.12652 1 0.92761 0.9653 0.91968 0.93318 0.92097 0.8284 0.010636 0.0083592 0.018096 0.014827 0.021365 0 3.4神经网络训练
神经网络训练代码：
res=1:8; s=18:25; for k=1:8
net=newff(minmax(guiyiliangzhi),[s(k),1],{'tansig','logsig'},'traingdx'); net.trainParam.epochs =400; net.trainParam.lr = 0.0001;
net.trainParam.goal = 0.0000001;
net=train(net,guiyiliangzhi,mubiaoxiangliang); w=sim(net,guiyiliangzhi); error=w-mubiaoxiangliang; res(k)=norm(error); end
y=sim(net, yanzheng);
经以上训练结果可得：
（1）目标向量：
Mubiaoxiangliang=[1,1,1,1,1,1,0,0,0,0,0,0]
（2）验证样本所得：
y=[ 0.99969 0.99957 0.99966 0.99957 0.99963 0.00043499 0.0003081 0.00040438 0.00033487 0.0003361
0.9997 0.00029304]
（3）训练误差：
Res=[0.0013979 0.0014221 0.0013039 0.0013313 0.0013049 0.0012961
0.0012324 0.0012512]
（4）由上面所得出最佳隐层神经元个数为：24
3.5总结
本次实验系统设计的课题是滚动轴承运行状态的监测，总共历时一个学期。首先是对现有滚动轴承运行状态的监测技术的综述。这就需要进行大量的文献检索，以及对滚动轴承的结构的进行深入了解。
再次，要基于一定前提提出一个滚动轴承运行状态监测系统的方案。包括各个部件的选择，并要考虑实际，切实可行。
最后，对于一个现有的轴承监测装置所测的信号进行分析处理，提取出正常与故障信号的特征值，并且运用matlab进行bp神经网络的训练。
滚动轴承状态监测与故障诊断
班级：07级测控二班
学号：20071466 姓名：刘仰涛
滚动轴承状态监测与故障诊断
班级：07级测控二班
学号：20071450 姓名：薛卓鹏
因篇幅问题不能全部显示，请点此查看更多更全内容