摘　要：軸承是各類機械設備中（zhōng）的常用部件，也是（shì）易損（sǔn）部件之一，軸承出現故障而得不到及時（shí）更換時，將可能影響整個（gè）機械裝置的工作，所以對軸承進行狀態監測，及時發現軸承的故障，將是十分必要的。對軸承狀（zhuàng）態（tài）監測進行了較為詳細的（de）闡述，說明了進行軸承狀態監測的意義及其發展過程（chéng），之後介（jiè）紹了狀態監測的基本步驟及各（gè）個步驟的實現方法，並對各個方法進行了比較，Z後進行了總結和拓展。
　　關鍵詞：狀（zhuàng）態監測；神經網絡；故障診斷；軸承
　　1　軸（zhóu）承狀態（tài）監測的意義及常見的故障類型
　　軸承（chéng）是各類（lèi）機械設備（bèi）中不可或缺的部件，被廣泛（fàn）地應用（yòng）於車輛、航天、冶金等領域，但同時它也（yě）是極易損壞的部件之一。軸承主要故障類型有（yǒu）：點蝕、膠合、磨損、燒傷等，軸承故障會使機械設備產生振動和（hé）噪聲，容易導致（zhì）整個（gè）設備的工作停滯，甚至引（yǐn）發嚴重的事故。因此，進行及時而有效的軸承狀（zhuàng）態監測將是十分必要的。
　　2　軸承狀態監測技術的發展過程
　　軸承狀態監測技術的（de）發展過程，大致可以（yǐ）分為如下三個階段：
　　階段：早期，用經驗對觀察的軸承工作（zuò）狀態和軸承工作噪聲進行識別（bié）和（hé）判斷。這種方式受主觀因素的影響較大，難以對機械設備的故障（zhàng）進行（háng）實時、準確的判斷。
　　第二階（jiē）段（duàn）：利用計算機技術，進行初級的狀態監測。1960年（nián）以後，計算機技術的（de）發展和傅裏葉算法（fǎ）的出現，使得計算機信號處理技術有了較為完善的理論基礎，信號的頻譜分析處理得以現實。由軸（zhóu）承的工作情況（kuàng）計算出軸承各種故障的特征頻率，將采集的信號進行傅裏（lǐ）葉頻譜分析，對照特征頻率就可以判斷軸承的狀態。由於這種方法受環境噪聲的影響，所以效果不是（shì）十分的理（lǐ）想（xiǎng）。之後（hòu）出現了共振解調技術，它有效地提高了（le）振動信號的信噪比，使得故障的特征更為明顯（xiǎn），此（cǐ）方法在軸承狀態監測領（lǐng）域的應用十分廣泛。
　　第三（sān）階段：利用神經網絡技術，進行（háng）智能化的狀（zhuàng）態監測。1990年以後，小波技術和神經網絡技術出現（xiàn），並被應（yīng）用於（yú）軸承狀態監測（cè）領域，使得軸承（chéng）狀態監測（cè）技（jì）術（shù）由初級化走向智（zhì）能化。這兩項技術（shù）的發展（zhǎn）前（qián）景廣闊，實用性（xìng）較強，隨著這兩項技術不斷地發展、完善和成熟，軸承的（de）智能（néng）化（huà）狀態監測（cè）技術（shù）的效果也將得到提高。其他狀態監測方法如軸承的油液分（fèn）析法（fǎ），圖象（xiàng）分析法等，由於對於工作狀況和工作環境的要求比較高，所（suǒ）以（yǐ）適用的範圍也相對較小。
　　3　軸承狀（zhuàng）態監測的步驟（zhòu）及（jí）方法 　　對於軸承進行狀態（tài）監測的過程一（yī）般來說可以總結（jié）為三步：步，在各種工作狀況下進行信號（hào）的采集；第二步（bù），對采集到的信號進行信號處理和特征抽取：第（dì）三步，狀態識別，即使用神經網絡技術對提取的特（tè）征信（xìn）號進行識別。
　　步信號（hào）采集，用各類傳感器選取種類（lèi）的信號進行采集。軸承狀（zhuàng）態監測的信號采集技術主要有振動信號檢測技術、聲學診斷技術、溫度診斷技術、油液診斷技術和間隙診斷技術等，較多采（cǎi）用的是用振動信號檢測技術采集軸承工作時產生的振動信號。
　　振動（dòng）信（xìn）號檢測技術是使用（yòng）振動傳（chuán）感器（如加速度（dù）傳感器等）采集軸承工作時的振（zhèn）動信號，此技術（shù）適用於各種類型、各種工作狀況下軸承振動信（xìn）號（hào）的采集，實用（yòng）性強，但采集到（dào）的振動信號易受工作環境的影響，含有大量的（de）噪聲，需對含有的噪聲信號（hào）進行濾波等的處理，以獲取較好的振動信（xìn）號檢測（cè）效果。
　　聲學診斷技（jì）術是使用聲學傳（chuán）感器（如聲發射傳感器等）采集軸承因故障（zhàng）而產生（shēng）的彈性波信號。此技術是采集軸（zhóu）承本身發出的高頻（pín）應力波信號，不易（yì）受（shòu）工作環境噪聲的幹擾，易於直接檢測出故障，效果較好。但是聲學診斷技術（shù）成本（běn）較高（gāo），實用性不強。
　　溫度診斷技術是監測軸承工作時溫度變化的信號，此技術使用簡單，實（shí）用性高，但是（shì）軸（zhóu）承（chéng）在故（gù）障初（chū）期的溫度變化並不（bú）明顯，而當溫度明顯的時，往往都已有了嚴重的故障，所以不能進行早期（qī）預報（bào），且可能會儀器（qì）的損（sǔn）壞。
　　油液診斷技術是對軸承使用的潤滑（huá）油（yóu）的狀態進（jìn）行（háng）監（jiān）測，從而了解軸承的潤（rùn）滑（huá）狀（zhuàng）態與磨損狀況，此（cǐ）技術能對各種故障進（jìn）行早期預報，並能查明故障產生的原因與（yǔ）故障部位。油液診斷技術應該采用係統的方（fāng）法監測，單一的方法往（wǎng）往會導致不全麵的（de）結論。實驗表明，由理（lǐ）化分（fèn）析、汙染度測試、發（fā）射光譜分析、紅外（wài）光譜分析、鐵譜分析等構（gòu）成的油液診斷係統的結果較（jiào）為準確。
　　間隙診斷技術是將（jiāng）軸承工作時的間隙值與軸承原始的間隙值進（jìn）行比較。但（dàn）是在工作時，難以直（zhí）接測定軸（zhóu）承（chéng）的間隙值，因此多采用間接測量法。此技術對軸承磨損、點蝕的監測比較（jiào）有效，但是間接測量（liàng）的影響因素較（jiào）多，而（ér）且當間隙值變化明（míng）顯時，軸（zhóu）承己產生了嚴重的故障，因此實用性不強。
　　第二步信號處理和特征抽取。傳統（tǒng）的信號處理方法是分別在時域（yù）和頻域對采集到的信號進行分析，此方法難以較好地刻畫（huà）故障信號的特征。時頻分析法則具有提（tí）取時域和頻域兩種信息的能力。目前在軸承狀態監（jiān）測中應（yīng）用的時頻分析方法主要有短時傅立葉變換STFT、小波變換和分形處理等。軸（zhóu）承狀態監測，關鍵在於能對抽取的信號特征進行狀態識別，因此抽取（qǔ）到明顯的、有區別性的特征至關重要。傳（chuán）統的傅立葉變換進行特征抽取的先決（jué）條（tiáo）件是信號要是平穩的，對於非平穩的信（xìn）號，抽取到（dào）的（de）特征的（de）效果就（jiù）不好。小波分析法可以根據條件對非平穩的（de）信號進行濾波，從而（ér）得到（dào）有用的信號，以方便（biàn）下一（yī）步拙取到有效的特征，比傅立葉變換（huàn）法有著（zhe）許多（duō）實用（yòng）性（xìng）上的進步。
　　小波濾波法，是小（xiǎo）波技（jì）術在信號處（chù）理技術中的一個重（chóng）要方麵。傳統的濾波方法在信號變換之後熵增（zēng）加，無法刻畫出信號的非平穩特性，而且無法得到信號的相關特性，但是小波濾波法可以很好地（dì）實現這些作用。
　　小波閩值濾波法，是對經過小（xiǎo）波分解後得到的信號中的高頻小波係數進（jìn）行閾值濾波，再結合包絡解調技術對經過閾值濾（lǜ）波後得到的高頻信號抽取其特征。包絡解調技（jì）術可以消除信號中的高頻載波，以有效地提取包絡。
　　運用matlab編程可較快實現時（shí）域、頻域的特（tè）征抽取結（jié）果。
　　第三（sān）步狀（zhuàng）態識別，現代智能（néng）化技術的發展和應用，出現了神經網絡和專家係統等的狀態識別技術。神經（jīng）網絡技術，作為一（yī）種應用十分廣泛的智能化識別技術（shù），具有非線性映（yìng）射能力強，有自學習、自組織和自適應能力的特點，適合在（zài）軸承狀態監測技術中運用。運用神經網絡技術對拙（zhuō）取到的特征進行狀態（tài）監測，用模糊神經網絡技術解決多傳感器信號特征的識別，幾種典型的（de）故障類型的識別，以及在網絡構成和模糊輸入輸出（chū）條件下實現旋（xuán）轉機械故障的識別問題。 　　4　總結
　　本文闡述了進（jìn）行軸承狀態監（jiān）測的重要性極其意義，狀態監測技術的發展過程及狀態監測（cè）的步驟流程。應用VC++、matlab編程（chéng）可較為形象方便地得到結（jié）果，完成（chéng）數據（jù）處理和界麵設計。小波技術和包絡解調技（jì）術的運用能對振動信號進行更好地處理，而神經網絡識別將是狀態監測過程更加智能化。由此，伴隨著信號（hào）處理技術的（de）發展，軸承狀態監測技術的發展前景十分樂觀。