1.前言
　　軋機(jī)軸承是各種旋轉(zhuǎn)機(jī)械中應(yīng)用***廣泛的一種通用機(jī)械零件，它是機(jī)器***易損壞的零件之一。據(jù)統(tǒng)計(jì)。旋轉(zhuǎn)機(jī)械的故障有30％是由軸承引起的?？梢?jiàn)軸承的好壞對(duì)機(jī)器的工作狀況影響很大。軸承故障診斷就是要通過(guò)對(duì)能夠反映軸承工作狀態(tài)的信號(hào)的測(cè)取，分析與處理，來(lái)識(shí)別軸承的狀態(tài)。包括以下幾個(gè)環(huán)節(jié)：信號(hào)測(cè)取；特征提取；狀態(tài)識(shí)別：故障診斷；決策干預(yù)。
　　軋機(jī)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(shù)。
　　在現(xiàn)代分析方法中，小波分析是***近幾年才出現(xiàn)井得以應(yīng)用和發(fā)展的一種時(shí)—頻信號(hào)分析方法。它具有時(shí)域和頻域的局部化和可變時(shí)頻窗的特點(diǎn)．用它分析非平穩(wěn)信號(hào)比傳統(tǒng)的傅里葉分析更為***著。由于軋機(jī)軸承的故障信號(hào)中禽有非穩(wěn)態(tài)成分，所以剛小波分析來(lái)處理其振動(dòng)信號(hào)．可望獲得更為有效的診斷特征信息。
　　軋機(jī)軸承故障的智能診斷技術(shù)就是把神經(jīng)網(wǎng)絡(luò)、專家系統(tǒng)、模糊理論等技術(shù)與軋機(jī)軸承的特征參數(shù)有機(jī)地結(jié)合起來(lái)進(jìn)行綜合分析的故障診斷技術(shù)。
　　2.故障信號(hào)診斷方法
　　2.1沖擊脈沖法(spm)
　　SPM技術(shù)(Shock Pulse Method)，是在軋機(jī)軸承運(yùn)轉(zhuǎn)中，當(dāng)滾動(dòng)體接觸到內(nèi)外道面的缺陷區(qū)時(shí)，會(huì)產(chǎn)生低頻沖擊作用，所產(chǎn)生的沖擊脈沖信號(hào)，會(huì)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(jī)干擾的幅值調(diào)制波，經(jīng)過(guò)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(lái)判斷軸承狀態(tài)的。此種方法目前被公認(rèn)為對(duì)診斷軋機(jī)軸承局部損傷故障工程實(shí)用性***強(qiáng)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?yàn)?，一些研究結(jié)果表明，軋機(jī)軸承局部損傷故障所激起的結(jié)構(gòu)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(jié)構(gòu)的共振響應(yīng),而不同部位的故障(內(nèi)、外圈、滾子)也會(huì)激起不同頻率結(jié)構(gòu)的共振響應(yīng)。顯然，固定的濾波頻帶有其局限性。實(shí)際使用情況表明，當(dāng)背景噪聲很強(qiáng)或有其他沖擊源時(shí)，SPM診斷效果很差，失去實(shí)用價(jià)值。
　　2.2共振解調(diào)技術(shù)
　　共振解調(diào)法(Demodulated Resonance Analysis)也稱包絡(luò)分析法或高頻共振技術(shù)是處理機(jī)械沖擊引起的高頻響應(yīng)信號(hào)的有效方法。當(dāng)機(jī)械故障引起等間隔的高頻沖擊脈沖響應(yīng)信號(hào)時(shí)，用硬件進(jìn)行高通濾波，檢波和低通濾波提取信號(hào)的包絡(luò)，或?qū)τ糜布蜍浖M(jìn)行高頻帶通濾波后的信號(hào)進(jìn)行Hilbert變換求包絡(luò)；對(duì)包絡(luò)信號(hào)檢測(cè)其峰值P、均值R或P／R值，可診斷軋機(jī)軸承的某些故障。當(dāng)以軸承結(jié)構(gòu)系統(tǒng)的共振頻率為濾波器的中心頻率時(shí)，包絡(luò)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(wèn)題。由于預(yù)先難以確定設(shè)備結(jié)構(gòu)系統(tǒng)的共振頻率，不同設(shè)備結(jié)構(gòu)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(yīng)性，只好選擇較寬的濾波頻帶，但是，較寬的頻帶勢(shì)必引入大量的干擾噪聲，降低信噪比；若帶寬選得過(guò)窄則有可能漏掉結(jié)構(gòu)系統(tǒng)的共振頻率。對(duì)包絡(luò)信號(hào)進(jìn)行譜分析可識(shí)別出沖擊產(chǎn)生的頻率，但是當(dāng)出現(xiàn)諧波或由于包絡(luò)信號(hào)存在幅值調(diào)制而引起和頻、差頻時(shí)，包絡(luò)譜變得十分復(fù)雜，難以識(shí)別；而此時(shí)，包絡(luò)譜單一譜峰的峰值也不能用于評(píng)價(jià)故障的嚴(yán)重程度。
　　2.3小波分析
　　小波變換是近年來(lái)發(fā)展起來(lái)的一種新的時(shí)頻信號(hào)分析方法，由于其良好的時(shí)頻特性，被國(guó)內(nèi)外廣大科研工程人員應(yīng)用于故障診斷領(lǐng)域。以Haar小波變換為基礎(chǔ)，采用脈沖指標(biāo)為診斷參數(shù)，對(duì)軋機(jī)軸承進(jìn)行故障診斷。對(duì)經(jīng)過(guò)小波變換方法處理后的軋機(jī)軸承振動(dòng)信號(hào)進(jìn)行譜分析，以自定義的診斷參數(shù)作為識(shí)別軋機(jī)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(dāng)存在其他低頻段強(qiáng)能量干擾時(shí)，該特征量的有效值得懷疑。小波變換與其他分析方法的結(jié)合對(duì)軋機(jī)軸承進(jìn)行故障診斷，取得了良好的診斷效果。對(duì)振動(dòng)信號(hào)進(jìn)行小波分解，然后再進(jìn)行包絡(luò)解調(diào)分析，減小了計(jì)算量，提高了診斷準(zhǔn)確率。利用小波包對(duì)軋機(jī)軸承的振動(dòng)加速度信號(hào)進(jìn)行分解，得到振動(dòng)信號(hào)在不同頻帶的能量，并以此作為特征向量，然后采用加權(quán)k近鄰法對(duì)軋機(jī)軸承進(jìn)行故障診斷。利用小波包得到的軋機(jī)軸承在不同頻帶的能量特征與徑向基函數(shù)網(wǎng)絡(luò)(RBFN)相結(jié)合，同樣得到了理想的檢測(cè)結(jié)果。
　　2.4 倒頻譜診斷軋機(jī)軸承故障
　　在對(duì)齒輪箱類設(shè)備進(jìn)行故障診斷時(shí)．為更準(zhǔn)確地找出故障特征頻率。往往需要進(jìn)行頻率細(xì)化分 昕。但在實(shí)際分析時(shí)發(fā)現(xiàn)，僅進(jìn)行頻率細(xì)化分析有時(shí)還無(wú)法看清頻率結(jié)構(gòu)。還需要進(jìn)一步做倒頻譜分析倒頻譜能較好地檢測(cè)出功率譜上的周期成分．通常在功率譜上無(wú)法對(duì)邊頻的總體水平做出估計(jì)．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(lái)譜上成族的邊頻帶簡(jiǎn)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(shí)，振動(dòng)頻譜具有的邊頻帶一般都具有等間隔(故障頻率)的結(jié)構(gòu)，利用倒頻譜的這個(gè)優(yōu)點(diǎn)?？梢詸z測(cè)出功率譜中難以辨識(shí)的周期性信號(hào)。
　　3.故障信號(hào)的智能診斷技術(shù)
　　軋機(jī)軸承的智能診斷技術(shù)就是利用人工智能技術(shù)中的專家系統(tǒng)、知識(shí)工程、遺傳算法、模糊理論和人工神經(jīng)網(wǎng)絡(luò)等技術(shù)和軋機(jī)軸承的特征參數(shù)或其他信號(hào)處理方法相結(jié)合對(duì)軸承故障進(jìn)行診斷與監(jiān)測(cè)。利用軋機(jī)軸承中狀態(tài)監(jiān)測(cè)中的幾個(gè)特征量，即峰值、有效值、峭度值，軸承外圈、內(nèi)圈和滾動(dòng)體的特征頻率幅值等參數(shù)作為神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù)，對(duì)軋機(jī)軸承的故障進(jìn)行診斷，試驗(yàn)表明該方法可以對(duì)軸承故障進(jìn)行有效的監(jiān)測(cè)和診斷。將分形維數(shù)概念與多層感知器神經(jīng)網(wǎng)絡(luò)結(jié)合，以分形維數(shù)作為特征量輸入的分形神經(jīng)網(wǎng)絡(luò)診斷方法，應(yīng)用到軸承系統(tǒng)實(shí)例診斷分析，獲得了明顯的診斷結(jié)果。構(gòu)造了基于P一范數(shù)模糊神經(jīng)網(wǎng)絡(luò)，算法可以對(duì)Sugeno—Takagi模型進(jìn)行逼近，因而更便于學(xué)習(xí)，克服了單純前向神經(jīng)網(wǎng)絡(luò)訓(xùn)練中容易陷入局部極小及收斂速度較慢的缺點(diǎn)。將小波包和神經(jīng)網(wǎng)絡(luò)相結(jié)合，先利用小波包分解對(duì)軋機(jī)軸承的動(dòng)態(tài)信號(hào)進(jìn)行分析、提取特征，然后采用Kohonen神經(jīng)網(wǎng)絡(luò)進(jìn)行軋機(jī)軸承故障診斷。利用遺傳規(guī)劃的方法對(duì)軋機(jī)軸承的振動(dòng)信號(hào)幅值特征參數(shù)進(jìn)行自組織，生成了高分辨率的用于逐次診斷的***佳特征參數(shù)，以提高軸承故障診斷的準(zhǔn)確率。明延鋒在文獻(xiàn)中提出了一種基于并行組合模擬退火算法的故障識(shí)別方法。此算法是將模擬退火算法較強(qiáng)的局部搜索能力和遺傳算法對(duì)搜索過(guò)程總體較強(qiáng)的把握能力相結(jié)合，相互取長(zhǎng)補(bǔ)短，而構(gòu)成的一種性能優(yōu)越的全局搜索算法。試驗(yàn)表明該算法在軋機(jī)軸承早期故障信號(hào)(弱信號(hào))識(shí)別應(yīng)用中非常有效，但存在運(yùn)算速度慢的缺點(diǎn)。
　　3 總結(jié)
　　近幾年，新技術(shù)和新方法層出不窮，人工智能和計(jì)算機(jī)在軸承故障診斷中的應(yīng)用越來(lái)越廣泛，今后的發(fā)展方向主要體現(xiàn)在以下方面：
　　(1)時(shí)域分析和頻譜分析在軸承故障診斷中的應(yīng)用將日趨完善；(2)對(duì)于軸承故障診斷的理論和方法進(jìn)一步深入研究，并且各種研究成果將會(huì)逐步應(yīng)用到實(shí)際生產(chǎn)；(3)故障診斷智能系統(tǒng)進(jìn)一步的深入研究，多種軸承故障分析方法相結(jié)合，如小波神經(jīng)網(wǎng)絡(luò)、模糊識(shí)別與小波分析相結(jié)合等新分析方法應(yīng)用智能專家系統(tǒng)，提高診斷的效率和準(zhǔn)確率；(4)隨著計(jì)算機(jī)和網(wǎng)絡(luò)技術(shù)的發(fā)展，遠(yuǎn)程故障診斷將是現(xiàn)代故障診斷發(fā)展的一個(gè)重要的方向。