1.前言

印花機軸承是各種旋轉機械中應用最廣泛的一種通用機械零件，它是機器最易損壞的零件之一。據(jù)統(tǒng)計。旋轉機械的故障有30％是由軸承引起的�？梢娸S承的好壞對機器的工作狀況影響很大。軸承故障診斷就是要通過對能夠反映軸承工作狀態(tài)的信號的測取，分析與處理，來識別軸承的狀態(tài)。包括以下幾個環(huán)節(jié)：信號測取；特征提取；狀態(tài)識別：故障診斷；決策干預。

印花機軸承故障診斷傳統(tǒng)的分析方法有沖擊脈沖法，共振解調(diào)法，倒頻譜分析技術。

在現(xiàn)代分析方法中，小波分析是最近幾年才出現(xiàn)井得以應用和發(fā)展的一種時—頻信號分析方法。它具有時域和頻域的局部化和可變時頻窗的特點．用它分析非平穩(wěn)信號比傳統(tǒng)的傅里葉分析更為最著。由于印花機軸承的故障信號中禽有非穩(wěn)態(tài)成分，所以剛小波分析來處理其振動信號．可望獲得更為有效的診斷特征信息。

印花機軸承故障的智能診斷技術就是把神經(jīng)網(wǎng)絡、專家系統(tǒng)、模糊理論等技術與印花機軸承的特征參數(shù)有機地結合起來進行綜合分析的故障診斷技術。

2.故障信號診斷方法

2.1沖擊脈沖法(spm)

SPM技術(Shock Pulse Method)，是在印花機軸承運轉中，當滾動體接觸到內(nèi)外道面的缺陷區(qū)時，會產(chǎn)生低頻沖擊作用，所產(chǎn)生的沖擊脈沖信號，會激起SPM 傳感器的共振，共振波形一般為20kHz～60kHz，包含了低頻沖擊和隨機干擾的幅值調(diào)制波，經(jīng)過窄帶濾波器和脈沖形成電路后，得到包含有高頻和低頻的脈沖序列。SPM 方法是根據(jù)這一反映沖擊力大小的脈沖序列來判斷軸承狀態(tài)的。此種方法目前被公認為對診斷印花機軸承局部損傷故障工程實用性最強的。此方法雖然克服了選擇濾波中心頻率和帶寬的困難，但這種固定中心頻率和帶寬的方法也有其局限性，因為，一些研究結果表明，印花機軸承局部損傷故障所激起的結構共振頻率并不是固定不變的，在故障的不同階段可能激起不同結構的共振響應,而不同部位的故障(內(nèi)、外圈、滾子)也會激起不同頻率結構的共振響應。顯然，固定的濾波頻帶有其局限性。實際使用情況表明，當背景噪聲很強或有其他沖擊源時，SPM診斷效果很差，失去實用價值。

2.2共振解調(diào)技術

共振解調(diào)法(Demodulated Resonance Analysis)也稱包絡分析法或高頻共振技術是處理機械沖擊引起的高頻響應信號的有效方法。當機械故障引起等間隔的高頻沖擊脈沖響應信號時，用硬件進行高通濾波，檢波和低通濾波提取信號的包絡，或對用硬件或軟件進行高頻帶通濾波后的信號進行Hilbert變換求包絡；對包絡信號檢測其峰值P、均值R或P／R值，可診斷印花機軸承的某些故障。當以軸承結構系統(tǒng)的共振頻率為濾波器的中心頻率時，包絡分析方法存在著如何確定帶通濾波器的中心頻率和帶寬的問題。由于預先難以確定設備結構系統(tǒng)的共振頻率，不同設備結構系統(tǒng)共振頻率的變化范圍又較大，為了使濾波器具有較大的適應性，只好選擇較寬的濾波頻帶，但是，較寬的頻帶勢必引入大量的干擾噪聲，降低信噪比；若帶寬選得過窄則有可能漏掉結構系統(tǒng)的共振頻率。對包絡信號進行譜分析可識別出沖擊產(chǎn)生的頻率，但是當出現(xiàn)諧波或由于包絡信號存在幅值調(diào)制而引起和頻、差頻時，包絡譜變得十分復雜，難以識別；而此時，包絡譜單一譜峰的峰值也不能用于評價故障的嚴重程度。

2.3小波分析

小波變換是近年來發(fā)展起來的一種新的時頻信號分析方法，由于其良好的時頻特性，被國內(nèi)外廣大科研工程人員應用于故障診斷領域。以Haar小波變換為基礎，采用脈沖指標為診斷參數(shù)，對印花機軸承進行故障診斷。對經(jīng)過小波變換方法處理后的印花機軸承振動信號進行譜分析，以自定義的診斷參數(shù)作為識別印花機軸承損傷類故障的特征量，但是，由于該方法采用的變換尺度較小，當存在其他低頻段強能量干擾時，該特征量的有效值得懷疑。小波變換與其他分析方法的結合對印花機軸承進行故障診斷，取得了良好的診斷效果。對振動信號進行小波分解，然后再進行包絡解調(diào)分析，減小了計算量，提高了診斷準確率。利用小波包對印花機軸承的振動加速度信號進行分解，得到振動信號在不同頻帶的能量，并以此作為特征向量，然后采用加權k近鄰法對印花機軸承進行故障診斷。利用小波包得到的印花機軸承在不同頻帶的能量特征與徑向基函數(shù)網(wǎng)絡(RBFN)相結合，同樣得到了理想的檢測結果。

2.4 倒頻譜診斷印花機軸承故障

在對齒輪箱類設備進行故障診斷時．為更準確地找出故障特征頻率。往往需要進行頻率細化分 昕。但在實際分析時發(fā)現(xiàn)，僅進行頻率細化分析有時還無法看清頻率結構。還需要進一步做倒頻譜分析倒頻譜能較好地檢測出功率譜上的周期成分．通常在功率譜上無法對邊頻的總體水平做出估計．而倒頻譜則具有“概括”能力。能較明顯地顯示出功率譜上的周期成分，使之定量化。將原來譜上成族的邊頻帶簡化為單根譜線。便于觀察。而齒輪、軸承等零部件發(fā)生故障時，振動頻譜具有的邊頻帶一般都具有等間隔(故障頻率)的結構，利用倒頻譜的這個優(yōu)點�？梢詸z測出功率譜中難以辨識的周期性信號。

3.故障信號的智能診斷技術

印花機軸承的智能診斷技術就是利用人工智能技術中的專家系統(tǒng)、知識工程、遺傳算法、模糊理論和人工神經(jīng)網(wǎng)絡等技術和印花機軸承的特征參數(shù)或其他信號處理方法相結合對軸承故障進行診斷與監(jiān)測。利用印花機軸承中狀態(tài)監(jiān)測中的幾個特征量，即峰值、有效值、峭度值，軸承外圈、內(nèi)圈和滾動體的特征頻率幅值等參數(shù)作為神經(jīng)網(wǎng)絡的輸入?yún)��?shù)，對印花機軸承的故障進行診斷，試驗表明該方法可以對軸承故障進行有效的監(jiān)測和診斷。將分形維數(shù)概念與多層感知器神經(jīng)網(wǎng)絡結合，以分形維數(shù)作為特征量輸入的分形神經(jīng)網(wǎng)絡診斷方法，應用到軸承系統(tǒng)實例診斷分析，獲得了明顯的診斷結果。構造了基于P一范數(shù)模糊神經(jīng)網(wǎng)絡，算法可以對Sugeno—Takagi模型進行逼近，因而更便于學習，克服了單純前向神經(jīng)網(wǎng)絡訓練中容易陷入局部極小及收斂速度較慢的缺點。將小波包和神經(jīng)網(wǎng)絡相結合，先利用小波包分解對印花機軸承的動態(tài)信號進行分析、提取特征，然后采用Kohonen神經(jīng)網(wǎng)絡進行印花機軸承故障診斷。利用遺傳規(guī)劃的方法對印花機軸承的振動信號幅值特征參數(shù)進行自組織，生成了高分辨率的用于逐次診斷的最佳特征參數(shù)，以提高軸承故障診斷的準確率。明延鋒在文獻中提出了一種基于并行組合模擬退火算法的故障識別方法。此算法是將模擬退火算法較強的局部搜索能力和遺傳算法對搜索過程總體較強的把握能力相結合，相互取長補短，而構成的一種性能優(yōu)越的全局搜索算法。試驗表明該算法在印花機軸承早期故障信號(弱信號)識別應用中非常有效，但存在運算速度慢的缺點。

3 總結

近幾年，新技術和新方法層出不窮，人工智能和計算機在軸承故障診斷中的應用越來越廣泛，今后的發(fā)展方向主要體現(xiàn)在以下方面：

(1)時域分析和頻譜分析在軸承故障診斷中的應用將日趨完善；(2)對于軸承故障診斷的理論和方法進一步深入研究，并且各種研究成果將會逐步應用到實際生產(chǎn)；(3)故障診斷智能系統(tǒng)進一步的深入研究，多種軸承故障分析方法相結合，如小波神經(jīng)網(wǎng)絡、模糊識別與小波分析相結合等新分析方法應用智能專家系統(tǒng)，提高診斷的效率和準確率；(4)隨著計算機和網(wǎng)絡技術的發(fā)展，遠程故障診斷將是現(xiàn)代故障診斷發(fā)展的一個重要的方向。