摘 要

轴承作为电机高速旋转运动摩擦转化的零部件，轴承的早期故障对电机的工作性能的影响也很大，特别是对于高精度制造装备来说，电机轴承的工作性能直接影响着设备的加工精度。现如今，对电机的状态监测和故障诊断的研究不再是利用故障发生后的信号分析，而是更多地关注故障形成的早期信号。

论文主要研究了电机轴承早期故障的诊断识别，建立了利用电机轴承早期故障信号的诊断网络。首先，了解电机初期故障识别的国内和国外的发展现状，以及现有的监测技术和故障评估技术。通过了解电机轴承的结构及其振动特性，分析其发生故障的机理，并简单介绍了轴承几种常见部位出现故障时，其对应的特征频率。

然后，根据分层抽样原则选取了实验数据，并借助数学计算分析软件Matlab和数字信号处理方法，对选取的轴承退化实验中采集到的振动（加速度）信号，按照分析要求和信号特点对其进行降噪滤波后，利用时域和频域内各种特征参数对轴承故障程度进行初步的判断。在分析过程中，提取了每个采样点的各类特征值，从而了解轴承的退化过程中，轴承的信号特征的变化,为特征量提供一定的依据。

接着，选取了合适的特征值作为轴承状态判定的依据。最后，在故障识别过程中通过神经网络对电机轴承的初期故障识别分类，并对不同特征参数的分类效果进行评估和对比。确定了最后的电机轴承的早期故障识别模型，实现了对电机轴承工作阶段的识别。

关键词：早期故障分析；电机轴承；MBVSA；神经网络模式识别

Abstract

Bearing as a part of friction transformation of high-speed rotating motion of motor, the early failure of bearing has a great impact on the working performance of motor, especially for high-precision manufacturing equipment, the working performance of motor bearing directly affects the machining accuracy of equipment.Nowadays, the research of motor condition monitoring and fault diagnosis is no longer using the signal analysis after the fault occurs, but paying more attention to the early signal formed by the fault.

This paper mainly studies the diagnosis and identification of early failure of motor bearing, and establishes a diagnosis network using early failure signal of motor bearing.Firstly, understand the domestic and foreign development status of motor initial fault identification, as well as the existing monitoring technology and fault assessment technology.Through understanding the structure and vibration characteristics of the motor bearing, the failure mechanism is analyzed, and the corresponding characteristic frequency of several common parts of the bearing is briefly introduced.

Then, according to the principle of stratified sampling to select the experimental data, and by means of mathematical analysis software Matlab and digital signal processing method, the selection of bearing degradation experiments, vibration (acceleration) signals were collected in accordance with the requirements for analysis and signal characteristics of noise filtering, using time domain and frequency domain feature parameters for preliminary judgment of the bearing fault degree.In the process of analysis, all kinds of characteristic values of each sampling point are extracted, so as to understand the change of bearing signal characteristics in the degradation process, and provide a certain basis for the characteristic quantity.

Then, the proper characteristic values are selected as the basis for determining the bearing state.Finally, in the process of fault identification, neural network is used to classify the initial faults of motor bearings, and the classification effects of different characteristic parameters are evaluated and compared.Finally, the early fault identification model of motor bearing is established, and the identification of motor bearing working stage is realized.

Key Words：Early failure analysis;Motor bearing;MBVSA;Neural network pattern recognition

目 录

第1章 绪论 1

1.1 研究背景及意义 1

1.2 国内外研究现状 2

1.3 现有振动信号分析方法 3

1.4 现有故障诊断技术 4

1.5 论文主要研究内容 5

第2章 电机轴承的结构及其振动机理 7

2.1 电机轴承的结构特征 7

2.2 电机轴承的故障机理及原因 7

2.2.1 电机轴承故障机理 7

2.2.2 电机轴承失效形式和原因 8

2.3 电机轴承的振动频率 9

2.3.1 轴承的固有频率 9

2.3.2 轴承的故障特征频率 10

第3章 电机轴承故障振动信号的采集 12

3.1 实验系统 12

3.1.1 实验系统结构及原理 12

3.1.2 被测轴承主要参数 13

3.2 振动数据的采集 13

3.2.1 样本数据采样参数 13

3.2.2 实验数据选取 14

第4章 振动信号的处理及分析方法 15

4.1 振动信号的预处理 15

4.1.1 消除趋势项 15

4.1.2 数据平滑处理 16

4.1.3 数字滤波器的选用 19

4.2 振动信号的时频域分析 21

4.2.1 振动信号时域分析 21

4.2.2 振动信号频域分析 22

4.3 信号时频域特征参数及分析 23

4.3.1 常见信号时频域特征参数 23

4.3.2 特征参数分类及特点 24

4.3.3 特征参数变化分析 25

第5章 人工神经网络轴承初期故障识别 27

5.1 神经网络原理及特点 27

5.1.1神经网络基础模型—人工神经元 27

5.1.2 神经网络的分类 28

5.2初期故障识别模型 29

5.2.1 特征值状态相关 29

5.2.2 神经网络的建立过程 30

5.2.3早期故障诊断网络训练 30

第6章 结论 34

6.1 全文总结 34

6.2 未来展望 34

参考文献 35

致 谢 37

第1章 绪论

1.1 研究背景及意义

随着现代工业生产的发展，电动机在技术、食品和医药等多个自动生产线中随处可见，特别是现代工业，85%以上的企业都依赖感应电动机生产。稳步升高的使用率带来的的是电机故障的频发^[1]。电机作为机械生产设备的动力来源，有着十分重要的地位，电机一旦发生故障，整台生产装置将会瘫痪，最后生产线将面临着减产甚至宕机停止生产的巨大损失^[2]。

同时，随着控制技术的稳步发展，在‘中国制造2025’计划对中国制造业发展的指导和引领下，科技创新必然成为制造工业发展的驱动力，工作报告中指出了，对于电机的可靠性、经济性要求又进一步提升了^[3]。同时，随着智能制造的发展，电机的种类和功能也日益丰富。对于等高精度要求的制造装备来说，其内部使用的步进电机、伺服电机的工作性能直接影响着它们的加工精度。部分高段精密机械设备中的电机要求实现全生命周期的预测和管理。

图1.1 常见电动机结构

故障诊断的应用逐渐成为了电机管理和维修的关键环节，感应电动机故障诊断的研究已引起人们对感应电动机尤其是滚动轴承机械故障振动检测的重视，关注点更多的是故障形成的早期阶段点而不是故障已经发生的阶段^[4]。

感应电动机的主要故障可大致分为:轴承相关、定子相关、转子相关等，如图1.1为常见电机结构。其中，轴承作为电机的重要部件，其作用时承担电机高速运转时，支撑转子以及摩擦形式的转化和摩擦位置的转移。同时，轴承因为其结构性质、安装工艺要求高等特点，比较容易发生磨损和故障。据电机故障调查统计显示，40% 以上的电机机械故障案例与轴承有关^[5]。

电机轴承早期损害故障分析系统的应用，可以实时地向现场设备管理人员提供电机轴承的工作状态的信息，来帮助设备管理人员对电机进行提前性的维护和修理，进而降低故障的进一步加剧恶化的可能性，所以，其意义重大。

1.2 国内外研究现状

在20世纪中期，数字信号的应用催生了电机故障诊断技术的发展。计算机也逐渐运用到了电机故障监测和诊断装置中，到20世纪70年代末，电机故障监测与诊断装置已经进入了的历史新阶段。19世纪60年代美国的阿波罗计划、日本提出的“新干线轨”道交通计划，以及日本冬季奥林匹克体育场的建立，以及1970年英国提出的关于机械使用寿命和成本的建议，无一不是有力地促进了机械诊断技术的发展。在其他国家中，欧洲地区比较盛行的是算法理论的研究，而小型诊断装置的研发发展则在日本发展得比较成熟^[6]。

我国的的故障诊断应用技术的研究发展的比较晚，但经过30年的发展，也已经取得了一定的发展成果^[7]。至今，我国自主研发出了多种电机故障诊断方法，并且开发研制处了多种故障诊断装置,在工业电机故障诊断中的应用已经十分普及,对于生产线的电机维护和生产管理起到了重大的作用^[8]。

对于电机的关键部件轴承来说，其广泛应用激发了许多监测其健康状况的技术的发展。同时，振动信号处理技术应用的现代发展，提高了实测振动数据的非平稳和瞬态分析能力。在许多工程应用中，当感应电动机运行速度较低，负载较大，轴承的局部缺陷通常是早期故障类型。振动信号分析是诊断轴承局部缺陷的首选方法^[9]。

轴承的振动分析，即分析轴承的振动信号。当轴承出现机械故障的时候，会引起轴承振动信号的幅值和频率成分发生变化^[10]。现在主要的研究内容多为，通过对比不同损害程度的振动信号的频谱分析和调节分析，我们可以了解不同阶段故障的各种特征值之间的差异。最后应用机器学习分类器，依据从不同程度故障的振动信号中提取的特征来对其故障程度进行分析和识别。

目前，对轴承早期故障识别诊断，主要集中在融合多传感器采集到信号进行诊断分析，接着结合不同层次的诊断模型，深浅结合，进行诊断^[11]。在线实时诊断也是轴承初期故障识别的研究重点^[12]。主要研究内容是把采集到数据上传到服务器系统中，然后再利用诊断模型和专家专家系统对故障进行实时判断，实现在线数据在线处理，达到故障诊断的信息化和智能化^[13]。最后，在确定设备的健康状态后，对设备的运行方式和策略进行指导，从而防止故障的发生的最终目标。

综上所述，对轴承的故障研究越来越趋向利用早期故障信号进行故障的诊断分析。技术方面，主要集中再：多传感器的数据融合、故障的在线实时监测算法、结合互联网远程协同诊断以及机器学习深度学习故障诊断的算法研究等方面。

1.3 现有振动信号分析方法

电机轴承的振动信号是一种典型的非平稳信号。主要特点是振动信号的幅值、频率、还有相位不是固定的，会随时间产生变化。在进行轴承的故障诊断中，时域分析，频域分析，经验模态分析法和包络解调分析是四种比较常见的振动信号分析方法^[14]。其主要目的是通过振动信号的分析，提取出有用的工作状态特征参数，进而对电机轴承实现工作阶段进行诊断分析。

振动信号的时域分析是一种简单的故障诊断分析方法，由于传感器采集到的信号实际上是一串时间序列。所以时域分析主要内容是对采集到振动信号进行数字信号处理。包括信号的标定、数字信号前处理、降噪和滤波等几个方面。接着在时域上提取信号的参数特征，例如：均方根、峭度、峰-峰值等。然后利用特征参数作为判定依据，当数值超过设定阈值，即判定电机轴承出现了故障。但实际工程应用中由于轴承的工况、传感器的精度、传感器安装位置等因素，会直接影响采集信号的时域特征，所以一般不会只参考时域上的特征。

众所周知，傅里叶变换的出现极大程度的推进了信号分析发展，让成分复杂的信号通过多一个维度的分解，给信号分析提供了开阔的思路。图1.2为傅里叶变换的原理。

时域图像

频域图像

图1.2 时域频域的原理

同时数字信号分析的发展让傅里叶变化得到了进一步的升华。在进行电机轴承故障诊断的研究中，振动信号的频谱分析是比较基础且全面的方法。通过频谱分析，我们能够获取振动信号较为全面的信息。振动信号的频率域谱分析中，三个基本谱分析是：幅值频谱、功率频谱和倒频谱^[15]。

此外，除了传统的分析方法，还有结合数字滤波发展的一些主流的分析方法，例如：小波分析方法、包络分析法以及经验模态分解等方法。

1.4 现有故障诊断技术

利用振动信号的特征值来评估电机轴承的工作状态是故障诊断中最后一步也是最为关键的一步。事实上人们很早就开始利用计算机来进行故障诊断的研究^[16]。随着机器学习逐渐由符号学习转变为统计学习。诊断技术也逐渐从传统的参数分析法（例如模型分析）逐渐转变为经验分析（例如神经网络分析）。下面对几种常见的分析模式进行简单的介绍：

（1）模型分析

以上是毕业论文大纲或资料介绍，该课题完整毕业论文、开题报告、任务书、程序设计、图纸设计等资料请添加微信获取，微信号：bysjorg。

相关图片展示：