强噪声背景下轴承典型故障振动信号特征提取方法研究文献综述

文献综述（或调研报告）：

故障诊断是一门综合性很强的技术领域,它涉及计算机软硬件、传感器与检测技术、信号分析与数据处理、预测预报、自动控制、系统辩识、人工智能、力学、数学及振动工程以及机械工程等诸多领域。因此，其对检测人员的知识水平和和技术有着很高的要求。滚动轴承的应用非常广泛,ensp;其状态好坏直接关系到机械设备的运行状态。有资料表明,在旋转机械中有70%的故障是由滚动轴承引起的,在齿轮箱的各类故障中轴承的故障仅次于齿轮而占到19%,电机故障中有80%表现为电机轴承故障。而滚动轴承的失效必然导致机械装置运行的不正常，甚至引发灾难性的后果,因此,对滚动轴承常见故障的研究显得十分重要^[1]。

1.轴承故障诊断监测中常用的处理方法

（1）时域分析

振动信号的时域分析是状态监测和故障诊断最简单、最直接的方法。轴承振动信号时域分析的核心内容就是表征故障特征的时域参数,主要分为两类^[2]:有量纲参数和无量纲参数。有量纲参数主要有有效值和峰值等,无量纲参数主要有峰值因素、峭度因子、波峰系数和波形系数等。有些情况下,时域参数用来判断轴承有无故障比较有效,但并不能区分具体故障类型。

（2）共振解调

共振解调法是目前工程实际中最常用的滚动轴承故障诊断方法之一^[3]。共振解调法的基本原理是:在轴承的振动信号中,故障的存在会使得系统产生高频共振,出现幅值调制现象,共振解调法先用带通滤波器滤出高频共振成分,然后进行包络解调从高频共振成分中分离出故障信号,最后进行频谱分析,观察频谱图中是否出现突出的故障特征频率的谱线,以此来诊断轴承是否发生故障和故障发生的具体部位。

（3）BP网络

BP(BackPropagation)神经网络于1986年由McCelland 和 Rumelhart带领的科学家小组提出^[4],它可以存储和学习大量的输入--输出模式的映射,而不需要揭示数学方程来描述映射之间的数学关系,BP网络的学习规则遵循快速下降法,最终目的是要达到误差标准值最小。BP网络方法作为一种自适应的方法虽然有诸多优点,但是它的运算速度较慢。由于神经网络的快速发展，神经网络已经成为模式识别的强有力工具,其分类功能特别适合于模式识别与分类的应用^[5]。因而很多学者将神经网络运用到滚动轴承的故障识别中来。

（4）小波变换