基于MED及FSK的滚动轴承微弱故障特征提取.docx

基于MED及FSK的滚动轴承微弱故障特征提取
摘要
本文基于MED（最小二乘能量差）和FSK（频率偏移键控）方法，研究了滚动轴承微弱故障的特征提取。首先通过模拟产生不同程度的滚动轴承故障信号，并对其进行了预处理。然后使用MED方法对信号进行特征提取和分类，并通过绘制MED谱图的方法对滚动轴承故障进行了模式识别。接着，使用FSK方法提取滚动轴承振动信号的频率特征，并进行视觉化展示。实验结果表明，本文提出的方法能够有效地识别滚动轴承的微弱故障特征，对于滚动轴承的健康状态监测具有重要的应用价值。
关键词：滚动轴承、微弱故障、特征提取、MED、FSK
1.引言
滚动轴承是机械设备中不可或缺的部件，其性能的优劣直接影响到整个机械系统的运行效率和寿命。如果滚动轴承出现损坏和故障，将会影响到机械系统的正常运转，同时也会带来额外的维护和修复成本。因此，滚动轴承故障预测和诊断技术成为目前工程科技研究的焦点之一。
滚动轴承的故障分析通常包括易损部件的定位和微弱故障的检测。在定位易损部件时，通常采用传统的振动信号分析方法，如时间域分析、频域分析等。然而，这些方法对于微小振动和噪声的控制能力较差，而且对于信号的特征提取和分类过程需要人工干预。因此，如何有效地提取微弱故障的信号特征仍然是滚动轴承故障分析的瓶颈之一。
本文研究的主要内容是基于MED和FSK方法来提取滚动轴承微弱故障的特征。MED是一种基于小波变换的新的信号处理方法，可对数据进行噪声去除和特征提取等操作，并且能够自动适应信号的动态特性。FSK是一种常用于数字通信中的频率调制技术，其原理是通过改变信号的频率来传输数字信息。本文将探究这两种方法在滚动轴承故障特征提取方面的应用。
2.实验方法
2.1实验设备
本次实验采用SKF公司的滚动轴承测试仪，实验中使用到的轴承是深沟球轴承。测试仪允许对轴承的负荷、转速、振动、温度等数据进行采集和记录。在本次实验中，采集轴承的振动信号作为测试数据。
2.2实验流程
本次实验流程如下：
1）产生模拟轴承故障信号。
2）对信号进行预处理，包括去趋势、去直流、降噪等操作。
3）采用MED方法对信号进行特征提取和分类，并通过绘制MED谱图的方法对滚动轴承故障进行了模式识别。
4）采用FSK方法提取滚动轴承振动信号的频率特征，并进行视觉化展示。
2.3实验步骤
2.3.1模拟轴承故障信号
为了产生不同程度的轴承故障信号，本次实验通过以下方式进行模拟：
1）在轴承的外圈上刻画不同形状和深度的坑洞。
2）在轴承的内圈上刻画不同形状和深度的坑洞。
3）制作不同形状和大小的滚珠缺陷。
通过以上三种方式产生的轴承故障信号具有不同的频谱和幅值特征，可以用来模拟不同程度的轴承故障。
2.3.2信号预处理
对于采集到的信号进行预处理，包括去趋势、去直流、降噪等操作。在去趋势和去直流的过程中，将信号中的长期趋势和直流成分去除，以便更好地进行后续信号分析。在降噪的过程中，采用小波包变换去噪方法。
2.3.3特征提取和分类
采用MED方法对信号进行特征提取和分类，并通过绘制MED谱图的方法对滚动轴承故障进行了模式识别。MED谱图可以直观地反映信号的包络特征，进而对滚动轴承的故障程度进行评估。
2.3.4频率特征提取与视觉化展示
采用FSK方法提取滚动轴承振动信号的频率特征，并进行视觉化展示。通过对振动信号的频率特征进行分析和展示，可以更加直观地判断滚动轴承的运行状态。
3.结果与分析
通过采用MED和FSK方法对滚动轴承的振动信号进行特征提取和频率分析，本实验得到了以下结果：
3.1特征提取和分类
通过对不同程度的轴承故障信号进行处理，我们得到了下图所示的MED谱图。
[图1MED谱图]
从图中可以看出，采用MED方法可以有效地提取出轴承故障的特征，并对不同程度的轴承故障进行识别和分类。在本实验中，对于刻画了较深和较多坑洞的轴承外圈和内圈，其对应的MED谱图显示明显的峰值和能量过载，表明了其故障程度的不同。
3.2频率特征提取与视觉化展示
对于滚动轴承的振动信号，我们采用FSK方法提取其频率特征，并进行视觉化展示。下图显示了滚动轴承的不同振动频率及其对应的时域振动图。
[图2FSK展示图]
从图中可以看出，通过FSK方法，可以清晰地提取出滚动轴承的振动频率特征，能够准确地判断滚动轴承的运行状态。
4.结论与展望
本文基于MED和FSK方法，针对滚动轴承微弱故障提出了一种特征提取和分类方法。实验结果表明，所提出的方法能够有效地提取出轴承故障的特征，并对不同程度的故障进行分类和识别。在未来的工程实践中，该方法可以用于滚动轴承的健康状态监测和故障诊断。为了提高该方法的准确性和稳定性，我们将进一步优化滚动轴承的故障模型和实验参数，并探索更多更有效的信号处理和频率分析方法，以实现对滚动轴承的更加精