基于电流及振动信号的电机滚动轴承故障诊断研究综述报告.docx

基于电流及振动信号的电机滚动轴承故障诊断研究综述报告
随着电机技术的不断发展，电机滚动轴承作为电机常用的支撑部件，其故障对电机的运行稳定性、效率和寿命等都会产生极大的影响。因此，电机滚动轴承故障的诊断显得尤为重要。本文综述了基于电流及振动信号的电机滚动轴承故障诊断研究。
首先，电机滚动轴承故障的类型包括轴承内圈损坏、外圈损坏、滚子损坏和保持架损坏等。对于这些故障类型，基于电流信号和振动信号的故障诊断方法都已经有了一定的研究。在电流信号方面，通常采用的方法是通过提取电机工作电流信号中的谐波成分来诊断轴承故障。例如，用迭代自适应线性神经网络（IALNN）拟合电机电流信号，以找到电机电流谐波分量的变化，从而诊断滚动轴承故障。在振动信号方面，由于轴承故障会引起振动信号的变化，因此常用的方法是通过分析电机振动信号的频域和时域特征来进行故障诊断。例如，利用小波分析对电机振动信号进行处理，获得小波包能量谱，进而诊断轴承故障。
其次，针对不同的故障类型，研究者采用的信号处理方法也不尽相同。例如，对于内圈损坏故障，其在电流和振动信号中表现为与母线频率有关的周期性脉冲。因此，可以采用峰值均值比（PVM）来诊断内圈故障。对于外圈损坏故障，其在电流和振动信号中表现为与外圈的自然频率有关的周期性脉冲。因此，可以采用普通最小二乘（OLS）或主成分分析（PCA）等方法来诊断外圈故障。对于滚子故障，其在电流和振动信号中表现为高频噪声信号，可采用小波包能量谱来诊断滚子故障。对于保持架故障，由于其在电流及振动信号中表现比较难以区分，因此通常采用综合多种故障特征的方法来诊断保持架故障。
最后，长期稳定性和实时性是电机滚动轴承故障诊断方法的重要考虑因素。目前，研究者通常采用自适应方法、神经网络及模糊逻辑等方法来提高诊断方法的实时性和长期稳定性。例如，可以采用成本敏感学习算法（CSLA）和自适应控制图像处理技术（ACIPT）来提高诊断的长期稳定性；也可以采用迭代自适应线性神经网络（IALNN）和基于径向基函数网络（RBFN）的方法来提高诊断方法的实时性和准确性。
综上所述，基于电流及振动信号的电机滚动轴承故障诊断方法已经取得了一定的进展，但在实际工程应用中，仍需进一步完善和提高其诊断准确性和实时性。