[发明专利]一种轴承状态监测及故障诊断方法

说明书

本发明属于监测及故障诊断技术领域，尤其涉及一种轴承状态监测及故障诊断方法。该包括如下步骤：A1、通过振动传感器采集获取原始振动数据并进行特征提取，所述特征包括时域特征、频域特征和时频域特征，所述时域特征、频域特征和时频域特征组成特征向量；A2、通过特征向量进行状态监测；A3、通过特征向量进行故障诊断。该方法全面提取轴承的振动数据特征，并对其进行实时监测，当发生故障时，能够准确识别是哪种故障并进行解决。

技术领域

本发明属于监测及故障诊断技术领域，尤其涉及一种轴承状态监测及故 障诊断方法。

背景技术

影响机械设备运行状态的因素是多种多样的，由于振动的广泛性、振动 信号的多维性、测振技术的实用性,一般监测系统均将振动信号作为主要监测 对象。机械设备在运行过程中必然会产生不同程度的振动，绝大部分机械系 统的故障或事故都在振动信号中有所反映。振动摆度的超标威胁着设备的安 全运行，当振动超过一定限度时就会对设备造成危害,严重时将威胁设备安全 运行,带来巨大的经济损失。

通过监测轴承的运行状态并及时地对故障的发生有否进行监测判断并 做出决策,对安全生产、决策参考具有重要的实际意义,也是开展状态检修工 作必不可少的基础。其中，轴承损坏是导致机械设备故障的主要因素之一， 而轴承故障特征的有效提取对准确实现轴承运行状态监测和故障诊断起着 至关重要的作用。但在实际环境中，由于受周围复杂环境的影响，采集的振 动信号往往含有强噪声并伴有故障信号微弱、故障特征难以提取等特点。

以往学者处理振动信号常常采用小波分析。小波分析能够实现时域和频 域的局部分析,即通过伸缩和平移等运算功能对函数或信号进行多尺度细化 分析。但在小波基和分解层数的选择上没有一个合适的方法，黄锷创造性地 提出的一种新型自适应信号时频处理方法—经验模态分解(empirical mode decomposition,简称EMD)，该方法无须预先设定任何基函数，这一点与建立 在先验性的谐波基函数和小波基函数上的傅里叶分解与小波分解方法具有 本质性的差别，特别适用于非线性非平稳信号的分析处理。随着对EMD理论的进一步研究，发现其存在模态混叠现象，因此Gilles基于小波变换和经 验模态分解算法，提出了经验小波变换(empirical wavelet transform,简称EWT)。EWT理论依据完备且计算量远小于EMD，该方法已成功应用于信 号处理和图像降噪分析中。

目前针对轴承研究主要侧重在发生故障后进行故障识别，并未对轴承运 行状态进行实时监测。当监测到轴承发生故障时，对其进行故障的准确识别 也是关键的一步。在以往的故障诊断中，大都以部分特征作为输入，并没有 综合提取时域，频域和时频域特征，无法全面反应轴承振动信号的信息。

发明内容

(一)要解决的技术问题

针对现有存在的技术问题，本发明提供一种轴承状态监测及故障诊 断方法，该方法全面提取轴承的振动数据特征，并对其进行实时监测， 当发生故障时，能够准确识别是哪种故障并进行解决。

(二)技术方案

为了达到上述目的，本发明采用的主要技术方案包括：

一种轴承状态监测及故障诊断方法，包括如下步骤：

A1、通过振动传感器采集获取原始振动数据并进行特征提取，所述 特征包括时域特征、频域特征和时频域特征，所述时域特征、频域特征 和时频域特征组成特征向量；

A2、通过特征向量进行状态监测；

A3、通过特征向量进行故障诊断。

进一步地，所述时域特征包括方差、均方值、均值根植、偏度、峭 度、波形指标、裕度指标、脉冲指标、峰值指标和峭度指标。

进一步地，所述频域特征包括平均频率、频率中心、均方根频率、 标准偏差频率和峰度频率。