毕业设计（论文）-关于滚动轴承故障诊断方法的研究

关于滚动轴承故障检测与诊断方法的研究关于滚动轴承故障诊断方法的研究课 程： 学 院： 班 级： 指导教师： 姓 名： 学 号： 完成日期 ： 2015年12月15日64目录第一章 研究背景1进行滚动轴承故障检测与诊断的背景与意义011.1滚动轴承故障检测与诊断领域背景011.2进行滚动轴承故障检测与诊断的意义012常见的滚动轴承结构013常见的滚动轴承故障形式024滚动轴承故障监测与诊断的一般步骤034.1常见的滚动轴承故障信息获取方法044.1.1温度监测法044.1.2振动监测法044.1.3油液监测法044.1.4光纤监测法044.1.5声发射法054.2常见的滚动轴承故障特征提取方法054.2.1基于传统时域统计参数的特征提取054.2.2基于频域和时频分析特征提取054.2.3基于非线性参数的特征提取054.3常见的滚动轴承故障状态模式识别064.3.1人工神经网络064.3.2隐马尔可夫模型074.3.3支持向量机075常见的用于滚动轴承故障检测与诊断的传感器075.1传感器的灵敏度075.2滚动轴承故障诊断领域中用到的振动传感器085.3滚动轴承故障诊断领域中用到的加速度传感器085.4滚动轴承故障诊断领域中用到的压电式加速度传感器086常用的滚动轴承故障诊断与检测的分析方法096.1基于流行学习法的滚动轴承故障诊断和检测方法096.2基于无量纲指标与波谱分析的滚动轴承故障诊断方法106.3基于谱峭度及原子分解的滚动轴承故障诊断方法106.4基于模型辨识的滚动轴承故障诊断方法106.5基于EMD的滚动轴承故障灰色诊断方法116.6基于近邻元分析的滚动轴承故障诊断方法116.7基于LMD的滚动轴承故障诊断方法116.8基于BP神经网络的滚动轴承故障诊断方法126.9基于量子遗传算法和谱峭度法相结合的滚动轴承故障诊断方法126.10基于EMD和相关系数的希尔伯特振动分解滚动轴承检测方法126.11基于奇异谱分析和连续隐马尔可夫模型的故障诊断方法126.12基于改进的固有时间尺度分解和鲁棒回归变量预测模式诊断136.13基于多尺度模糊熵变预测模型的滚动轴承故障诊断方法137本文思路及内容安排13第二章 滚动轴承故障检测与诊断1系统设计与滚动轴承故障信息获取142原始数据零均值化处理142.1数据零均值化的意义142.2时域中零均值化效果142.3频域中零均值化效果153滚动轴承故障诊断与检测分析方法163.1时域分析法163.1.1时域特征值提取183.1.2时域特征值归一化处理183.1.3时域特征比较213.2频域分析法213.2.1频域特征提取243.2.2频域特征值归一化处理263.2.3频域特征比较284滚动轴承故障诊断与检测模式识别294.1 BP神经网络304.2输入层、输出层和隐层的设计314.3 BP神经网络的识别和测试314.3.1数据预处理314.3.2神经网络识别324.3.3神经网络测试355误差分析与综合评价355.1方案设计与误差分析355.2综合评价356方案优化与能力提升思考366.1针对本文方案的优化366.1.1故障信息获取手段的优化366.1.2故障特征提取手段的优化366.1.3故障模式识别手段的优化386.2对成分复杂的原始振动信号进行分析386.3当需要精确判断故障发生的位置时38第三章 结束语参考文献39附录MATLAB程序代码41第一章 研究背景一、进行滚动轴承故障检测与诊断的背景与意义1.1滚动轴承故障检测与诊断领域背景通过查阅文献1相关案例,可以很容易地得到一种结论：随着工业的发展进步，旋转机械日益向集成化、大型化、高速化和智能化的方向发展。不仅设备内部各部分密切相联，不同的设备之间也存在着紧密联系，多个设备在运行中构成一个完整复杂的系统。设备的某一部位一旦发生故障，将可能产生一系列连锁反应，导致整个系统故障，影响正常的生产和产品质量，造成巨大的经济损失和严重的人员伤亡。近几十年来，某些高技术、大型化的设备，因零部件故障而引发的灾难性的事故时有发生。 机械故障诊断就是为解决上述问题与防止事故发生而得以产生和发展的一门交叉学科。通过监控机械设备的运行状态，对存在的异常或故障作出诊断，提供解决的方案，以指导机械设备维修与维护。在文献2当中，笔者任帅提到，据统计，状态监测与故障诊断可使设备的维修费用减少 25%到 50%，因故障停机的时间减少 75%，经济效益显著。工业发达国家的经验认为，90%的设备需要进行预知性维修，仅有 10%的设备需要进行定期维修，这样可以有效提高设备的利用率，降低维修成本。 谈到旋转机械，就不得不提滚动轴承。它是各种旋转机械中最常见最易损坏的零部件之一，起传递运动和承受轴向与径向载荷的作用。滚动轴承通过内部元件之间的滚动接触来支撑转子，具有易启动、摩擦小、润滑简单和更换方便的优点，广泛用于精密仪器、航空航天、汽车、机床、机器人等领域。根据结构和所能承受载荷类型的不同，滚动轴承可以分为滚珠轴承和滚柱轴承这两类。文献2还指出，随着科技的发展，对轴承可靠性与技术性能的要求越来越高。目前，一些高速轴承的 DN 值可达(轴承内径(mm)转速(r/min)可达 34106mmr/min，因滚动体的疲劳剥落、保持架打滑等引起的滚动轴承故障时有发生，轻则导致系统精度降低，振动加大，重则导致抱轴和断轴，造成严重事故。据有关资料统计，旋转机械的故障中振动故障占 70%，而 30%的振动故障是由滚动轴承故障引起的。因此，滚动轴承的状态监测与故障诊断理论和应用的研究，一直是旋转机械故障诊断领域的一个重点。滚动轴承在高速、高温条件下工作，并且需要承受轴向和径向载荷，使信号的采集受到很多噪声因素的干扰，造成有效信号的淹没，该现象在故障早期尤为明显。所以通过信号处理方法，分离出滚动轴承的早期故障信号以实现滚动轴承故障的诊断，是当前亟待解决而又未完全解决的问题。1.2进行滚动轴承故障检测与诊断的意义总之，滚动轴承是旋转机械中的常用零件，它的机械状态直接影响到机械系统的运行安全，因此，滚动轴承的早期故障诊断具有重要的工程意义。然而滚动轴承的早期故障通常十分微弱，易被噪声信号淹没，由于该难度的存在，一直以来，对滚动轴承故障的诊断的研究就一直没有停止过。 二、常见的滚动轴承结构滚动轴承主要包括内圈、外圈、滚动体和保持架四种元件。一般情况下，滚动轴承内圈固定在轴上与轴一起转动；外圈固定在轴承座或箱体上起支撑的作用；滚动体有传递轴向和径向载荷的作用，其尺寸和数量对滚动轴承的力学性能以及寿命有直接的影响；保持架使滚动体均匀分布在内圈和外圈之间，防止滚动体脱落并减小滚动体之间的摩擦磨损。除中介轴承以外，滚动轴承的外圈一般固定不旋转。滚动轴承的几何参数主要有：Dm节圆直径；Do外圈滚道接触点处的直径；Di内圈滚道接触点处的直径；d滚动体直径；接触角；Z滚动体数目。图-1 滚动轴承结构图三、常见的滚动轴承故障形式在制造和实际使用过程中，滚动轴承都有可能产生故障。按照故障发生的位置来对滚动轴承的故障进行分类，可以分为：1）内圈故障；2）外圈故障；3）滚动体故障；4）保持架故障。除了上述分类方法之外，从故障的形式来看，故障原因主要有以下两类：一类是滚动轴承制造和安装过程中由于误差引起的故障，滚动轴承在制造时不可避免的存在误差，或者在装配过程中产生了影响滚动轴承精度的误差，当误差超出一定范围以后，振动将会迅速增大，这种故障一般不会直接影响滚动轴承的运行；第二类是滚动轴承表面磨损，磨损可导致局部故障的出现，滚动轴承失效最主要的原因是局部故障。文献2中，笔者任帅指出，滚动轴承的故障形式主要有：疲劳剥落、磨损、塑性变形、腐蚀、断裂、胶合和保持架损坏。具体如下： (1) 疲劳剥落 滚动轴承的滚动体和滚道接触在工作时既承受轴向与径向载荷，又有相对运动。在交变载荷的作用下，接触表面以下一定深度处会首先形成裂纹，裂纹逐渐扩展到接触表面，形成点状或片状的剥落凹坑，这种现象就称为疲劳剥落。疲劳剥落在滚动轴承工作时产生冲击性振动，疲劳剥落是滚动轴承故障最主要的原因之一。滚动轴承寿命就是指疲劳寿命，即任意滚道或滚动体出现疲劳剥落之前的总转数。滚动轴承的寿命具有很大离散性，据统计，同一批轴承最高和最低寿命可相差几十甚至上百倍，因此选取恰当的滚动轴承状态监测方法，可以合理的利用滚动轴承的寿命。 (2) 磨损 在实际应用中，外界污物的入侵和滚动体与滚道之间的相对运动，是滚动轴承工作表面磨损的直接原因。滚动轴承的磨损现象通常是由润滑不良或装配不当引起的摩擦加剧所致。磨损量较大使轴承的游隙增大，降低轴系运行精度，产生强烈的振动和噪声。对于航空航天设备使用的精密轴承，磨损量是限制滚动轴承使用寿命的主要因素。微振磨损是在轴承不工作的情况下加大滚动体和滚道表面波纹度，降低轴承的运行精度。 (3) 塑性变形 塑性变形的产生与滚动轴承接触表面最大的挤压应力有关。在静载荷或冲击载荷过大、因热变形引起额外的载荷、高硬度异物入侵时，会在滚动轴承接触表面形成凹痕或划痕，使轴承的振动和噪声加剧。上述凹痕引起的冲击载荷可能进一步导致滚动轴承的表面剥落。 (4) 腐蚀 滚动轴承另一种常见故障是腐蚀，由外界水分或酸碱性物质的入侵引起。在滚动轴承停止工作以后，随着温度的下降至沸点以下，空气中的水分凝结成水滴，附着在滚动轴承工作表面产生腐蚀。此外，当滚动轴承内部有电流通过时，电流很容易击穿滚动体与滚道之间的薄油膜产生电火花，使接触表面凹凸不平。 (5) 断裂 裂纹和断裂是滚动轴承元件最危险的一种损坏形式，主要是由载荷过大、热处理不良和材料的缺陷引起的。此外，滚动轴承的裂纹和断裂还可以由转速过高、装配不当、润滑不良产生的过大热应力引起。 (6) 胶合 所谓胶合是指一个零件表面的金属附着到另一个零件表面的现象。在高速重载、润滑不良的情况下，轴承元件由于摩擦可在极短的时间达到很高的温度，导致胶合。 (7) 保持架损坏 装配和使用不当会造成保持架的变形，进而增大滚动体与保持架的摩擦，严重时会导致滚动体卡死。保持架损坏可使滚动体和滚道之间由滚动摩擦变为滑动摩擦，使摩擦加剧，导致振动和噪声急剧增大，造成滚动轴承损坏。四、滚动轴承故障监测与诊断的一般步骤文献1中，笔者朱可恒指出，诊断信息获取、故障特征提取和状态识别与诊断是滚动轴承状态监测和故障诊断的三个基本内容，而其中故障特征提取和状态识别是诊断实现的核心内容。4.1常见的滚动轴承故障信息获取方法通过查阅文献2了解到，目前，滚动轴承故障诊断领域用到的故障信息获取方法可以归纳如下：1）温度监测法温度监测法就是通过监测轴承座温度的变化来判断轴承工作的异常状态，这种方法简单易行使用最早，对轴承的载荷、速度和润滑油情况的变化比较敏感。但是温度传感器的响应速度比较慢、灵敏度也不高，对滚动轴承的表面裂纹、压痕等早期局部损伤故障，在轴承工作时温度的变化很不明显，只有当故障比较严重时温度才会明显上升。本文写作参考文献未曾涉及到该类检测方法。 2）振动监测法 滚动轴承早期故障的出现，在轴承运行时会产生微弱的周期性冲击信号，可通过安装在轴承座上的振动传感器获得该冲击性信号，再通过提取故障特征就可以诊断出轴承故障。振动监测法具有适应性强、几乎能诊断出所有类型的损伤故障、信号的获取与处理比较简单、可靠性强等优点，是目前轴承状态监测和故障诊断最常用的一种方法。滚动轴承运行时，不可避免的受制造工艺和安装误差的影响，加上滚动轴承受所在系统各种耦合作用的干扰，其振动成分十分复杂，所以振动诊断的关键是消除噪声的干扰以提取故障特征，小波消噪和经验模式分解均为比较有效的常用降噪方法。此外，将振动与噪声等监测方法综合应用可以有效提高诊断的可靠性。在此需要指出的是，本文查阅到的文献1-文献27用到的都是振动信号，即振动检测法。由此可看到该类检测方法的重要性。该方法也是本文使用到的检测方法。3）油液监测法 油液监测法是指对滚动轴承的润滑油进行监测，获取滚动轴承的工作状态信息的方法。油液监测主要包括油液理化性能参数监测和油液中的磨损微粒监测两方面内容。在滚动轴承故障诊断领域监测轴承的磨损状况是一种直观的手段，但是，很显然的是，该方法只适合油润滑轴承，对脂润滑的轴承无效。并不能大范围采用。 4) 光纤监测法 采用光纤位移传感器对滚动轴承的运行状态进行监测，是一种直接从套圈表面提取信息的故障诊断技术，具有灵敏度高，受传输通道影响小的优点。光纤传感器主要包含发送与接收光纤束两部分，其原理为：光线从发射束射出，经过传感器的端面与滚动轴承套圈表面之间的间隙照射到套圈表面，然后反射回来由接收束接收光线，由光电转换元件转变成电压输出。输出电压的变化，可以反映套圈径向间隙的变化量并以此判断滚动轴承的工作状态。 5) 声发射法 声发射法是近年发展起来的一门新技术，目前在滚动轴承状态监测中应用较少。金属材料由于内部晶界滑移、晶格位错或内部裂纹的产生，都会释放弹性波的现象称之为声发射现象。不同位置的局部损伤故障会产生不同类型的声发射信号，以此可以诊断出滚动轴承故障。与振动监测法相比，声发射法的诊断更为快速简便，可以更早发现故障的存在，采用相同信号处理方法对声发射信号提取的故障特征更明显。然而受限于昂贵的设备,声发射法没能得到广泛应用。4.2常见的滚动轴承故障特征提取方法文献1指出，故障特征提取是机械设备诊断中的关键,也是最困难的问题之一,直接决定着诊断的准确性和预报的可靠性。1）基于传统时域统计参数的特征提取在工作过程中,其振动信号中的很多统计特征参量会随着轴承故障的出现而改变,不同类型 故障以及严重程度这些统计参数的变化也不同,因此可以作为滚动轴承状态监测和故障诊断的依据。在轴承故障诊断中应用比较广泛的统计参数主要有:峰值、均方根值、峰值因子、峭度、峭度因子、波形因子、脉冲因子和裕度因子等其中，均方根值与峰值是有量纲的参数，而峰值因子、峭度因子、波形因子、脉冲因子和裕度因子是无量纲的参数。峰值指标对表面损伤类故障敏感,均方根值对磨损类故障比较有效,而峰值因子兼顾了峰值和均方根值,这两类故障的判断都可以用。以上这些参数都比较容易提取,对故障的早期阶段比较敏感,而且无量纲参数对转速以及轴承的承载不敏感、不需考虑相对标准值和与以前的数据对比,但缺点是对严重的故障抗干扰性差,其数值与正常状态值接近,容易产生误判。比如哨度、峰值、峰值因子等参数虽然对冲击故障比较敏感,但当故障发展到严重程度时,峭度、峰值因子等参数处于饱和状态,失去诊断能力,并且这些参数还会受到其他冲击源或随机冲击的干扰。因此,为了提高故障诊断的可靠性,有必要对原始信号进行合适的预处理和采用多参数诊断法。2）基于频域和时频分析特征提取特征提取在用传感器釆集轴承运行过程中的振动信号时,一般会包含很多的背景噪声,因此振动信号的频域内容就包含很多复杂的频率成分,如何在这些复杂的频率成分中识别出与轴承故障相关的频率或其特征是基于频域和时频分析的特征提取的主要内容。目前基于频域的特征提取方法主要有:幅值谱分析、功率谱分析、倒谱分析、复倒谱分析、细化谱分析、AR模型谱分析、高阶谱分析和包络谱分析等基于时频分析的特征提取方法主要有:短时傅里叶变换、分数阶傅里叶变换、Wigner-Ville分布、小波及小波包分析、经验模式分解、S变换、谱峭度和稀疏分解等。3）基于非线性参数的特征提取但是，滚动轴承在工作过程中由于载荷非线性分布、滚动体与内外圈的非线性接触、轴承的非线性刚度、间隙以及摩擦等非线性因素的影响,振动信号表现出很强的非线性,传统的频域分析方法甚至时频分析方法在分析这样的信号时都存在一定的局限。因此,利用非线性参数估计方法来提取隐藏在滚动轴承振动信号中的故障特征被越来越多的引入到轴承的故障诊断当中。4.3常见的滚动轴承故障状态模式识别机械设备故障诊断的实质是通过对设备外部征兆的监测提取正确的故障特征参数。由上节故障特征提取方法的总结也可以看出,很多特征参数特别是非线性特征参数都需要模式识别方法的辅助进行诊断,文献1主要介绍了在故障诊断中主要的模式识别方法的研究现状。1） 人工神经网络人工神经网络(artificial neural network, ANN)具有非线性、自学习、自适应性和联想能力等优点,是应用最广泛的模式识别方法之一。近儿十年来,广大学者不断研究ANN在故障诊断领域的应用,收到了不错的效。人工神经网络是一个由大量简单的处理单元（神经元）广泛连接组成的人工网络,是以工程技术手段模拟人类大脑的神经网络结构与功能特征的一种技术系统,它用大量的非线性并行处理器来模拟众多的人脑神经元,用处理器间错综灵活的连接关系来模拟人脑神经元间的突触行为,它能从己知数据中自动地归纳规则,获得这些数据的内在规律,具有很强的非线性映射能力。多层前馈网络的反向传播(BackPropagation)学习算法,简记BP算法。它是有导师的学习算法,用于BP网的权值和闭值的学习。图-2 BP神经网络结构图BP神经网络是一种单向传播的多层前向神经网络，网络除了有输入输出节点外，还具有一层或多层的隐含层节点，同层节点间没有任何耦合。选定的输入数据由输入层节点开始，依次经过各个隐层节点，最后传送至输出层节点，得到输出结果。因为同层节点无任何耦合，所以每层节点的输出只能对下一层节点的输出产生影响，每个神经元由每个节点表示，其对应的传递函数通常为Sigmoid型函数。某些情况下，输出层中节点之传递函数取线性函数。BP神经网络中的神经元多采用Sigmoid型函数作为变换函数，利用其连续可导性，便于引入最小二乘学习算法，即在网络学习过程中，使得网络的输出与期望输出的误差边向后传播边修正连接强度，以期使其误差均方值最小。 BP网络的基本思想是：信号的正向传播与误差的反向传播组成了整个学习过程。当正向传播时，信息由输入层传入，经过隐层处理，然后传给输出层。若输出层得不到希望的输出结果，则转向误差的反向传播阶段。所谓误差的反向传播是指将误差信号以某种形式通过隐含层返回到输入层，各个单元分摊误差信号，来作为修正各单元权值的根据。信号的正向传播和误差反向传播的各层权值调整过程不断迭代，这也就是网络的训练过程。此过程会一直进行，最后使得网络输出的误差达到可以接受的范围之内，或进行到预先设定的学习次数为止。文献4和文献8在滚动轴承故障诊断和检测方法研究中使用到了人工神经网络。2）隐马尔可夫模型隐马尔可夫模型(Hidden Markov Model, HMM)是一种时间序列的统计分析模型,适合于动态时间序列的建模,特别是非平稳、重复再现性不好的时序信号15。HMM具有很强的时序模式分类能力,引起了设备故障诊断领域的广泛关注。文献16分别对轴承的正常状态和故障状态建立HMM,釆用振动信号的AR模型参数作为故障特征训练HMM从而实现不同工作状态的识别。文献17利用离散小波变换提取轴承振动信号的故障特征,然后建立HMM模型来完成故障模式的识别。文献18将连续HMM引入到机械故障诊断中,并验证了其有效性。文献19采用时域和频域中的七个参数作为故障特征向量,利用HMM作为分类器,取得很髙的诊断准确率。文献20提出了一种基于状态加权的HMM模型,将其应用到滚动轴承的故障诊断中,实验结果表明该方法所需训练时间更短、诊断精度更高。3）支持向量机支持向量机(Support Vector Machine, SVM)是Vapnik在统计学习理论的基础上提出的一种新的机器学习方法21。SVM很好的解决了小样本学习问题,与神经网络相比有更好的泛化能力,且训练收敛速度更快,因此被广泛应用于机械故障诊断中。文献22利用一类SVM进行滚动轴承状态检测,先用SVM区分正常状态和故障状态,然后再对故障状态下振动信号进行包络分析识别故障类型,该方法最大的优点是训练SVM时只需要正常状态下的数据,不需要人为引入故障。文献23利用遗传算法优化ANN隐藏层的节点数和SVM径向基函数参数,然后对比ANN和SVM在进行齿轮故障诊断时的性能,结果表明在大部分情况下,SVM效果更优。文献24利用小波变换提取轴承振动信号的时频域特征,利用多类分类SVM实现不同类型故障的识别,并对比ANN说明SVM的优越性。文献25研究了一种选择训练参数的机制,从而实现滚动诊断故障的快速检测和诊断。杨洁明等26将基于EMD的能量参数作为故障特征向量,然后输入球结构支持向量机完成滚动轴承故障模式的识别,并说明基于EMD的能量特征比基于小波包的能量特征更加有效。万书亭等27利用小波包变换后各节点重构信号的能量组成故障特征向量,然后结合最小二乘支持向量机完成诊断。除此之外,还有基于模糊理论的模式识别、基于支持向量的数据描述(Support vectordata description, SVDD)的模式识别、基于案例推理和流形学习的模式识别方法等,都在机械设备的故障诊断中获得了应用,取得了一定的效果。从以上的总结可以看出,特征提取是滚动轴承故障诊断的关键,而目前所用的大多数特征参数很难全面提取描述轴承状态的信息。基于此,本文把基于样本熵构造的层次熵引入到滚动轴承的故障特征提取中,以提取隐藏在轴承振动信号里的更加丰富、全面的信息。从上面的总结同时可以看到,模式识别是建立在故障样本可获得前提之上的,针对实际应用中故障样本很难获得这样的困难,提出了一种滚动轴承早期故障检测方法,完全通过正常样本数据,通过简单的参数设定,实现轴承早期故障的自动检测。最后分析EMD模态混叠这一缺陷的基础上,把希尔伯特振动分解引入的滚动轴承的故障诊断中。五、常见的用于滚动轴承故障检测与诊断的传感器5.1传感器的灵敏度文献14明确指出，传感器的灵敏度是最基本指标。灵敏度的大小直接影响到传感器对振动信号的测量。不难理解，传感器的灵敏度应根据被测振动量（加速度值）大小而定，但由于压电加速度传感器是测量振动的加速度值，而在相同的位移幅值条件下加速度值与信号的频率平方成正比，所以不同频段的加速度信号大小相差甚大。大型结构的低频振动其振动量的加速度值可能会相当小，例如当振动位移为 1 mm，频率为 1 Hz 的信号其加速度值仅为0.04m/s2(0.004 g)；然而对高频振动当位移为 0.1 mm，频率为 10 kHz 的信号其加速度值可达 4105 m/s2(40 000 g)。因此尽管压电式加速度传感器具有较大的测量量程范围，但对用于测量高低两端频率的振动信号，选择加速度传感器灵敏度时应对信号有充分的估计。最常用的振动测量压电式加速度计灵敏度，电压输出型（IEPE 型）为 50100 mV/g，电荷输出型为 1050 pC/g。作为一般原则，灵敏度越高其测量范围越小，反之灵敏度越小则测量范围越大。 按被测物理量来分，传感器可以分为：加速度传感器、温度传感器、压力传感器、位移传感器、速度传感器、液位传感器、能耗传感器。在滚动轴承故障诊断和检测领域用到最多的是振动传感器里的压电加速度传感器。5.2滚动轴承故障诊断领域中用到的振动传感器一般来说，根据文献14,振动传感器在机械接收原理方面，只有相对式、惯性式两种。 1）相对式机械接收原理由于机械运动是物质运动的最简单的形式，因此人们最先想到的是用机械方法测量振动，从而制造出了机械式测振仪（如盖格尔测振仪等）。传感器的机械接收原理就是建立在此基础上，相对式测振仪的工作接收原理是在测量时，把仪器固定在不动的支架上，使触杆与被测物体的振动方向一致，并借弹簧的弹性力与被测物体表面相接触，当物体振动时，触杆就跟随它一起运动，并推动记录笔杆在移动的纸带上描绘出振动物体的位移随时间的变化曲线，根据这个记录曲线可以计算出位移的大小及频率等参数。 2）惯性式机械接收原理惯性式机械测振仪测振时，是将测振仪直接固定在被测振动物体的测点上，当传感器外壳随被测振动物体运动时，由弹性支承的惯性质量块将与外壳发生相对运动，则装在质量块上的记录笔就可记录下质量元件与外壳的相对振动位移幅值，然后利用惯性质量块与外壳的相对振动位移的关系式，即可求出被测物体的绝对振动位移波形。 虽然振动传感器在机械接收原理上分类简单，但在机电变换方面，由于变换方法和性质不同，其种类繁多，比如可分为电动式、压电式、电涡流式、电感式、电容式、电阻式、光电式等等。若按所测机械量来分类，又可分为位移传感器、速度传感器、加速度传感器、力传感器、应变传感器、扭振传感器、扭矩传感器等。 5.3滚动轴承故障诊断领域中用到的加速度传感器加速度传感器是一种能够测量加速力的电子设备。加速力就是当物体在加速过程中作用在物体上的力，就好比地球引力，也就是重力。加速力可以是个常量，比如g，也可以是变量。加速度计有两种：一种是角加速度计，是由陀螺仪（角速度传感器）的改进的。另一种就是线加速度计。滚动轴承早期故障的出现，在轴承运行时会产生微弱的周期性冲击信号，可通过安装在轴承座上的振动传感器获得该冲击性信号，再通过提取故障特征就可以诊断出轴承故障。振动监测法具有适应性强、几乎能诊断出所有类型的损伤故障、信号的获取与处理比较简单、可靠性强等优点，是目前轴承状态监测和故障诊断最常用的一种方法。因此，文献4在对故障轴承进行分析的时候后，采集信息的传感器都是加速度传感器得到振动信号。5.4滚动轴承故障诊断领域中用到的压电式加速度传感器其机械接收部分是惯性式加速度机械接收原理，机电部分利用的是压电晶体的正压电效应。其原理是某些晶体（如人工极化陶瓷、压电石英晶体等，不同的压电材料具有不同的压电系数，一般都可以在压电材料性能表中查到）在一定方向的外力作用下或承受变形时，它的晶体面或极化面上有电荷产生。这种从机械能（力，变形）到电能（电荷，电场）的变换称为正压电效应，而从电能（电场，电压）到机械能（变形，力）的变换称为逆压电效应。 当然，除上述最常用的传感器外，文献1和文献2用到了扭矩传感器得到振动信号；综合文献3 、文献5 、文献6 、文献7 、文献8 、文献9 、文献10 、文献11 、文献12 、文献13看来，不管使用的是何种传感器，最终目的都是得到振动信号，由此可以看出振动信号在滚动轴承故障诊断和检测领域的重要性。六、常用的滚动轴承故障诊断与检测的分析方法6.1基于流行学习法的滚动轴承故障诊断和检测方法流行学习法是一种新的非线性降维方法，它可以有效解决非高斯高维数据本质特征提取问题，使得非线性低维特征等价表示高位数据成为可能。流行学习法有几种基础算法：等距映射(Isometrical Mapping, ISOMAP)流形学习算法,该方法首先计算原数据点的局部几何测地距离,通过MDS多尺度方法建立局部测地距离与低维非线性特征空间的对应关系,从而得到最优的低维流形表示,并能保证样本在低维流形空间中的测地距离不变。局部线形嵌入流形学习算法(Locally Linear Embedding, LLE), 与ISOMAP方法不同,LLE是一种基于局部权矩阵的无监督算法,它是以保持局部数据结构相互距离关系的方式,提取高维数据在低维空间中的流形结构。较为典型的流形学习算法除了上面提到的ISOMAP、LLE之外,还有拉普拉斯算子映射算法(Laplacian eigenmaps, LE)、局部切空间算法(local Tangent Space Alignment, LTSA)等。文献10分别对上述基本算法做了详细陈述，同时笔者王雷基于流形学习法提出了基于流形学习的对偶树复小波降噪方法、基于张量流形学习的时频故障特征提取方法、基于流形学习的滚动轴承故障源盲分离方法、基于流形学习和模糊聚类的滚动轴承性能退化监测等几种故障诊断方法。最后，笔者王雷使用LabVIEW和MATLAB混合编程的方式开发了基于流形学习的滚动轴承故障分析诊断系统。介绍了系统开发的软硬件环境和结构方案,通过实例演示了系统的基本功能,验证了系统的有效性。6.2基于无量纲指标与波谱分析的滚动轴承故障诊断方法旋转机械中的滚动轴承发生故障时，会产生周期性的冲击振动现象，峭度指标、裕度指标和脉冲指标对冲击振动比较敏感，它们的指标值都能够较直观地反映滚动轴承的故障。但是这些无量纲幅值仅能判断故障的有无，对故障发生的部位进行判断的话还需要进行波谱分析，即将测试信号经过频域平均滤波处理，对噪声进行一定的抑制，然后通过Hilbert变换求出包络信号，对包络信号进行谱分析，根据包络谱上高峰频率即可比较准确地判断出故障的发生部位。文献13 陈俊君、徐兵通过该理论提出了一种基于无量纲指标与波谱分析的滚动轴承故障诊断方法，鉴于滚动轴承在转动过程中能够产生振动冲击信号，将无量纲指标、频域平均与Hilbert包络分析相结合，实现对滚动轴承的故障诊断。并通过实例，验证了该方法的有效性。6.3基于谱峭度及原子分解的滚动轴承故障诊断方法谱峭度（SK）最初解释为功率谱密度的有效补充统计量，这个统计量，不仅能够揭示信号中含有非高斯成分，并用可以定位这些成分在频域中的位置。因此，谱峭度是检测含噪信号中瞬时成分的有效工具。通过研究人员的深入研究，从高阶统计量理论角度给出了 SK 比较正式的定义，将SK定义为傅利叶变换的归一化四阶累积量。最后， SK被解释为对过程的时频能量密度瞬时分布的测量。该观点使得对 SK 及其一些特性有了新的理解，开辟了SK 方法在机械故障诊断领域新的应用研究。原子分解是由数学领域对函数表示方法的需要而发展起来的一种逼近表达方法。原子分解建立在过完备字典的基础上，与传统的信号分解不同，其分解结果可以不唯一。不唯一性给信号分解带来更强的自适应性，人们可以根据对信号分析的目的选择最合适的表达方式。文献12对滚动轴承故障诊断解调分析的频带确定困难以及单一窄带解调分析方法的不足，深入研究了谱峭度方法和原子分解法，提出滚动轴承包络定位FFT谱峭度诊断方法、滚动轴承小波包累积包络谱故障诊断方法、CPWP 混合原子分解滚动轴承故障诊断方法、非参数化原子分解滚动轴承故障诊断方法等几种方法，有针对性地解决了现有滚动轴承故障特征提取方法的一些不足，取得一定的成果。6.4基于模型辨识的滚动轴承故障诊断方法模型辨识技术能在乏样本、小样本的工业环境中进行,同时也可对损伤趋势做出判断有助于量化评价,较早时就已经应用在故障诊断领域,但它在滚动轴承监测诊断领域的应用还有待更深入的研究,即故障模型的精确预测能力和基于动态信号处理的反问题求解需进一步发展。文献11为了解决小样本环境和早期故障预示问题,研究一种基于物理模型辨识的滚动轴承故障诊断方法,即通过物理模型构建标准模式数据库,进而识别故障。考虑到振动传递路径结合界面动态接触机制,建立了轴承表面缺陷的物理模型,通过仿真获得不同损伤位置的振动信号,求得特征矩阵。由于实际测试信号故障特征比较微弱,提出一种盲反卷积和峭度最优Laplace小波相结合的算法,该算法被用于仿真信号与实际工程中微弱冲击信号的检测中,有效突出了冲击成分。最后,以实测信号特征值作为输入,利用距离函数求出与输入值最近的样本点,进而预测出故障位置。案例分析表明,该方法具有较好的可行性与可靠性。6.5基于EMD的滚动轴承故障灰色诊断方法经验模态分解(EMD)方法可使滚动轴承振动信号根据自身尺度自适应地分解为若干个内禀模态分量(IMF)，滚动轴承发生故障会导致振动能量在各IMF分量上的分布发生变化。灰色关联分析的基本思想是根据序列曲线几何形状来判断不同序列之间的联系是否紧密.根据实际需要构造了许多关联度模型，如绝对关联度、相对关联度、相似关联度、接近关联度等，其中接近关联度常用于模式识别。轴承故障不但改变了振动能量在各IMF分量上的数量分布( 特征曲线的位置信息) ，同时还改变了比例分布（特征曲线的形状信息），文献6为了能全面反映轴承振动能量在IMF分量上的分布规律，文章结合形状相似关联度与传统的接近关联度构建了灰综合关联度诊断模型，使得两种关联度能够相互补充和制约，以修正单关联度分析诊断时的错误倾向。通过实验数据验证，该方法能显著提高轴承故障诊断的准确率，且计算简单。6.6基于近邻元分析的滚动轴承故障诊断方法近邻元分析（Neighborhood Component Analysis）即通过优化留一法交叉检验结果，找到变换矩阵，优化近邻分类效果，并在此过程中约简维数，减少计算复杂度。近邻元分析为与K近邻( KNN) 相关联的距离测度学习方法,并获得广泛应用，如语音识别、图像识别、文本识别等。文献9利用NCA技术对滚动轴承信号的时频域特征向量降维，并对降维后向量分类，成功区分滚动轴承四种状态。通过 Fisher 判别函数定量分析目标维数对NCA降维效果影响，确定最佳特征约简目标维数。为突出NCA方法优势，将NCA与PCA（Principle Component Analysis）两种不同降维方法进行对比。实验结果表明，NCA作为监督式降维方法，其聚类效果好于PCA。6.7基于LMD的滚动轴承故障诊断方法EMD（Empirical mode decomposition，简称 EMD）方法从本质上讲就是把信号进行平稳化处理，以将信号中不同尺度的波动或趋势逐级分解开来，因此非常适合分析非平稳、非线性信号，具有很高的信噪比。经验模态分解把一个复杂信号分解成有限个基本模函数（Intrinsic Mdoe Function，简称IMF），分解得到的各IMF分量包含了原始信号的不同时间尺度下的局部特征信息，然后对其进行希尔伯特变换得到时频谱图，获得具有物理意义的频率。LMD（Local Mean Decomposition） 方法从本质上讲 LMD 方法本质上是从原始信号中分离出纯调频信号和包络信号，将纯调频信号和包络信号相乘便可以得到一个瞬时频率具有物理意义的 PF 分量，循环处理至所有的 PF分量分离出来，便可以得到原始信号的时频分布。文献8基于此原理，引入了一种新的时频分析方法-局部均值分解，采用局部均值分解、神经网络、支持向量机、奇异值分解的理论和方法，对滚动轴承故障诊断方法进行了研究。提出一种基于 LMD 与神经网络的智能诊断方法、基于改进 LMD 奇异值分解的故障特征提取方法。对滚动轴承实验信号的分析结果表明，基于改进 LMD奇异值分解和 SVM 的故障诊断方法对滚动轴承的故障有很高的识别率，从而为滚动轴承故障诊断提供了一种新方法。6.8基于BP神经网络的滚动轴承故障诊断方法人工神经网络(ArtificialNeuralNetwork,简称ANN)是一个由大量简单的处理单元(神经元)广泛连接组成的人工网络,是以工程技术手段模拟人类大脑的神经网络结构与功能特征的一种技术系统,它用大量的非线性并行处理器来模拟众多的人脑神经元,用处理器间错综灵活的连接关系来模拟人脑神经元间的突触行为,它能从己知数据中自动地归纳规则,获得这些数据的内在规律,具有很强的非线性映射能力。多层前馈网络的反向传播(BackPropagation)学习算法,简记BP算法。它是有导师的学习算法,用于BP网的权值和闭值的学习。文献4从理论上分析了滚动轴承故障的振动机理与特征,针对滚动轴承早期损伤类故障的诊断特点,选取适合的故障特征参数,建立了基于BP神经网络的滚动轴承故障诊断系统,利用轴承振动的实测数据,进行了仿真诊断研究。6.9基于量子遗传算法和谱峭度法相结合的滚动轴承故障诊断方法量子遗传算法( Quantum Genetic Algorithm，QGA)是在遗传算法和量子计算理论基础上发展起来的一种概率优化算法。它利用了量子计算的基本概念和理论，量子染色体以量子位编码并以量子门进行更新，具有种群规模小、兼有“勘探”和开采能力、全局寻优能力强和收敛速度快等特点。目前，在 TSP 求解问题、0/1 背包问题、函数寻优问题、聚类分析问题、金融信息的数据挖掘和盲源分离等问题中得到应用。文献2提出了一种基于量子遗传算法和谱峭度法相结合的滚动轴承故障诊断方法。利用谱峭度对瞬态信号的敏感性和量子遗传算法优越的全局寻优能力，该方法能自适应的搜索包络分析带通滤波器的参数，得到轴承信号的时域包络和频谱，实现滚动轴承的故障诊断，通过对实测故障滚动轴承加速度信号的诊断验证了该方法的正确性。6.10基于EMD和相关系数的希尔伯特振动分解的滚动轴承早期检测方法层次熵是在样本熵的基础上发展过来的,通过构造层次分解算子把振动信号进行层次分解,然后计算不同分解节点信号的样本熵就构成层次熵分析。层次炮分析不仅考察了信号“低频成分”的样本熵,还计算了 “高频成分”的样本熵,能够更加全面的提取包含在信号里的故障信息。特征提取是滚动轴承故障诊断的关键,而目前所用的大多数特征参数很难全面提取描述轴承状态的信息。基于此,文献1详细研究了峭度参数、经验模式分解(EMD)、样本熵、层次熵在故障特征提取中的优劣，最后提出了一种基于EMD和相关系数的滚动轴承早期检测