1.前言
　　軋機軸承是各種旋轉機械中應用***廣泛的一種通用機械零件，它是機器***易損壞的零件之一。據統計。旋轉機械的故障有30％是由軸承引起的?？梢?jiàn)軸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(guò)對能夠反映軸承工作狀態(tài)的信號的測取，分析與處理，來(lái)識別軸承的狀態(tài)。包括以下幾個(gè)環(huán)節：信號測??；特征提??；狀態(tài)識別：故障診斷；決策干預。
　　軋機軸承故障診斷傳統的分析方法有沖擊脈沖法，共振解調法，倒頻譜分析技術(shù)。
　　在現代分析方法中，小波分析是***近幾年才出現井得以應用和發(fā)展的一種時(shí)—頻信號分析方法。它具有時(shí)域和頻域的局部化和可變時(shí)頻窗的特點(diǎn)．用它分析非平穩信號比傳統的傅里葉分析更為***著(zhù)。由于軋機軸承的故障信號中禽有非穩態(tài)成分，所以剛小波分析來(lái)處理其振動(dòng)信號．可望獲得更為有效的診斷特征信息。
　　軋機軸承故障的智能診斷技術(shù)就是把神經(jīng)網(wǎng)絡(luò )、專(zhuān)家系統、模糊理論等技術(shù)與軋機軸承的特征參數有機地結合起來(lái)進(jìn)行綜合分析的故障診斷技術(shù)。
　　2.故障信號診斷方法
　　2.1沖擊脈沖法(spm)
　　SPM技術(shù)(Shock Pulse Method)，是在軋機軸承運轉中，當滾動(dòng)體接觸到內外道面的缺陷區時(shí)，會(huì )產(chǎn)生低頻沖擊作用，所產(chǎn)生的沖擊脈沖信號，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干擾的幅值調制波，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為對診斷軋機軸承局部損傷故障工程實(shí)用性***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，軋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、外圈、滾子)也會(huì )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(shí)際使用情況表明，當背景噪聲很強或有其他沖擊源時(shí)，SPM診斷效果很差，失去實(shí)用價(jià)值。
　　2.2共振解調技術(shù)
　　共振解調法(Demodulated Resonance Analysis)也稱(chēng)包絡(luò )分析法或高頻共振技術(shù)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(shí)，用硬件進(jìn)行高通濾波，檢波和低通濾波提取信號的包絡(luò )，或對用硬件或軟件進(jìn)行高頻帶通濾波后的信號進(jìn)行Hilbert變換求包絡(luò )；對包絡(luò )信號檢測其峰值P、均值R或P／R值，可診斷軋機軸承的某些故障。當以軸承結構系統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(zhù)如何確定帶通濾波器的中心頻率和帶寬的問(wèn)題。由于預先難以確定設備結構系統的共振頻率，不同設備結構系統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(guò)窄則有可能漏掉結構系統的共振頻率。對包絡(luò )信號進(jìn)行譜分析可識別出沖擊產(chǎn)生的頻率，但是當出現諧波或由于包絡(luò )信號存在幅值調制而引起和頻、差頻時(shí)，包絡(luò )譜變得十分復雜，難以識別；而此時(shí)，包絡(luò )譜單一譜峰的峰值也不能用于評價(jià)故障的嚴重程度。
　　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)頻信號分析方法，由于其良好的時(shí)頻特性，被國內外廣大科研工程人員應用于故障診斷領(lǐng)域。以Haar小波變換為基礎，采用脈沖指標為診斷參數，對軋機軸承進(jìn)行故障診斷。對經(jīng)過(guò)小波變換方法處理后的軋機軸承振動(dòng)信號進(jìn)行譜分析，以自定義的診斷參數作為識別軋機軸承損傷類(lèi)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(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合對軋機軸承進(jìn)行故障診斷，取得了良好的診斷效果。對振動(dòng)信號進(jìn)行小波分解，然后再進(jìn)行包絡(luò )解調分析，減小了計算量，提高了診斷準確率。利用小波包對軋機軸承的振動(dòng)加速度信號進(jìn)行分解，得到振動(dòng)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近鄰法對軋機軸承進(jìn)行故障診斷。利用小波包得到的軋機軸承在不同頻帶的能量特征與徑向基函數網(wǎng)絡(luò )(RBFN)相結合，同樣得到了理想的檢測結果。
　　2.4 倒頻譜診斷軋機軸承故障
　　在對齒輪箱類(lèi)設備進(jìn)行故障診斷時(shí)．為更準確地找出故障特征頻率。往往需要進(jìn)行頻率細化分 昕。但在實(shí)際分析時(shí)發(fā)現，僅進(jìn)行頻率細化分析有時(shí)還無(wú)法看清頻率結構。還需要進(jìn)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(wú)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(lái)譜上成族的邊頻帶簡(jiǎn)化為單根譜線(xiàn)。便于觀(guān)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)的結構，利用倒頻譜的這個(gè)優(yōu)點(diǎn)?？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(shù)
　　軋機軸承的智能診斷技術(shù)就是利用人工智能技術(shù)中的專(zhuān)家系統、知識工程、遺傳算法、模糊理論和人工神經(jīng)網(wǎng)絡(luò )等技術(shù)和軋機軸承的特征參數或其他信號處理方法相結合對軸承故障進(jìn)行診斷與監測。利用軋機軸承中狀態(tài)監測中的幾個(gè)特征量，即峰值、有效值、峭度值，軸承外圈、內圈和滾動(dòng)體的特征頻率幅值等參數作為神經(jīng)網(wǎng)絡(luò )的輸入參數，對軋機軸承的故障進(jìn)行診斷，試驗表明該方法可以對軸承故障進(jìn)行有效的監測和診斷。將分形維數概念與多層感知器神經(jīng)網(wǎng)絡(luò )結合，以分形維數作為特征量輸入的分形神經(jīng)網(wǎng)絡(luò )診斷方法，應用到軸承系統實(shí)例診斷分析，獲得了明顯的診斷結果。構造了基于P一范數模糊神經(jīng)網(wǎng)絡(luò )，算法可以對Sugeno—Takagi模型進(jìn)行逼近，因而更便于學(xué)習，克服了單純前向神經(jīng)網(wǎng)絡(luò )訓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 )相結合，先利用小波包分解對軋機軸承的動(dòng)態(tài)信號進(jìn)行分析、提取特征，然后采用Kohonen神經(jīng)網(wǎng)絡(luò )進(jìn)行軋機軸承故障診斷。利用遺傳規劃的方法對軋機軸承的振動(dòng)信號幅值特征參數進(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，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(guò)程總體較強的把握能力相結合，相互取長(cháng)補短，而構成的一種性能優(yōu)越的全局搜索算法。試驗表明該算法在軋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(diǎn)。
　　3 總結
　　近幾年，新技術(shù)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(lái)越廣泛，今后的發(fā)展方向主要體現在以下方面：
　　(1)時(shí)域分析和頻譜分析在軸承故障診斷中的應用將日趨完善；(2)對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 )逐步應用到實(shí)際生產(chǎn)；(3)故障診斷智能系統進(jìn)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(luò )、模糊識別與小波分析相結合等新分析方法應用智能專(zhuān)家系統，提高診斷的效率和準確率；(4)隨著(zhù)計算機和網(wǎng)絡(luò )技術(shù)的發(fā)展，遠程故障診斷將是現代故障診斷發(fā)展的一個(gè)重要的方向。