摘 要

机械设备中零部件众多，其中滚动轴承作为是最常用、最关键的部件之一，其运作状态的良好与否直接影响着整个设备的快速、有效运行。据统计，当一个部件使用轴承时，它所发生故障的中大约有三分之一与轴承有关，因此研究轴承的故障识别对设备的安全运行、生产过程的高效运行都有十分重要的意义。本文通过对轴承振动信号的时域特征值及频域特征值的提取，以及之后的主成分分析，来判断轴承的工作状态以及故障发生部位，最终达到故障识别的目的。本文主要研究内容如下：

1. 数据特征提取的研究。对轴承振动信号进行特征值提取，主要包括时域特征参数（峰峰值、峭度、均值等10个主要参数）和频域的均值频率。在频域特征提取时，介绍了相关理论、方法，最后运用了傅里叶变换，实现时域信号向频域信号的转换。
2. 主成分分析法的实际应用。对主成分分析法的原理、几何意义等进行介绍，在轴承振动信号提取特征值之后，使用主成分分析法处理，使较少的主分量来反映数据的特征，达到降维的目的。最后通过平面及空间的主分量图实现故障的区分，比较。
3. 不同聚类方法的结果验证。主要介绍了K-means聚类的定义、原理以及优缺点，使用K-means聚类处理，实现对不同故障的区分后与主分量图相互比较，互相验证。

本文研究的发现有以下几点。第一，数据的时域处理和频域处理最终都可以较好的实现对故障的分类。第二，数据的频域处理效果好于时域处理，即对故障的频域处理可以更好的进行故障识别。第三，特征值分解的处理方法对故障初期的识别效果优于故障晚期。总的来说基于特征主值分解的方法在轴承故障识别中是可行的、有效的。

关键词：滚动轴承；故障识别；特征提取；主成分分析；聚类

Abstract

Dynamic bearing is one of the most commonly used parts in machinery and equipment, the stand or fall of its working status directly affect the effective operation of the parts.According to statistics, in about a third of the faults in the use of bearing parts related to the bearing, so the bearing fault diagnosis has the very vital significance.This article through to the bearing vibration signal of time domain and frequency domain eigenvalue extraction, and then principal component analysis, to determine the working state of the bearing and the fault location, ultimately achieve the goal of fault identification. This article main research content is as follows:

1. Research data feature extraction. Bearing vibration signal feature extraction, including time domain characteristic parameters (peak to peak, kurtosis, mean, etc. 10 major parameters) and the mean frequency of the frequency domain. In the frequency domain feature extraction, the introduction of the theory, methods, and finally the use of the Fourier transform, to achieve time-domain signal to a frequency domain signal conversion.
2. The practical application of Principal Component Analysis. The principle of the principal component analysis, geometric significance are introduced, after bearing vibration signal extraction characteristic values, using principal component analysis processing, the less principal components to reflect the characteristics of the data, to achieve the purpose of dimensionality reduction.Finally accomplished by principal component diagram of plane and space fault distinction.
3. The results of different clustering method. Mainly introduces the definition of K - means clustering, principle and advantages and disadvantages, using K means clustering process, implementation to the distinction between the different fault after compare with principal component map, verify each other.

In this paper, we study found that the following points. First, the data of time domain and frequency domain processing eventually can better realize the fault classification. Second, the data of frequency domain processing effect is good in the time domain processing, the frequency domain for the fault handling can be better for fault identification. Third, the approach of eigenvalue decomposition of fault recognition effect is better than in the early late. Generally based on the characteristics of the main value decomposition method in bearing fault diagnosis is feasible and effective.

Key words: Rolling bearing;Fault identification;Feature extraction;PCA

目录

第1章 绪论 1

1.1 轴承故障识别的发展简史及国内外发展现状 1

1.2 论文研究的目的 2

1.3论文研究的意义 2

第2章 滚动轴承常见故障及处理方法 4

2.1 滚动轴承常见故障 4

2.2 常见处理方法 5

第3章 滚动轴承振动机理 7

3.1 滚动轴承结构简介 7

3.2 滚动轴承特征频率 7

第4章 实验数据采集及特征提取 10

4.1 数据采集 10

4.2 数据的时域特征 11

4.3 数据的频域特征 13

4.4 主成分分析 14

第5章 数据处理 16

5.1 数据的时域处理 16

5.2 数据的频域处理 21

5.3 不同故障长度下的处理对比 27

5.4 不同故障长度下的外圈故障分析 31

5.5 K-means聚类对比 34

5.5.1 K-means算法介绍 34

5.5.2 K-means聚类处理 34

第6章 结论 36

参考文献 37

致 谢 39

第1章 绪论

1.1 轴承故障识别的发展简史及国内外发展现状

轴承故障识别的研究已经有了很深远的历史，自上世纪六十年代以来，国内外学者在这方面做了大量的研究分析工作。各种理论与方法不断产生、发展、完善，在诊断精度和速度提高的同时，它的应用领域也越来越宽大。故障诊断识别技术最早在美国出现，当时由于在阿波罗工程中发生的一系列问题，使他们意识到机械设备的在线监测及故障诊断的重大意义。其次，英国轴承故障诊断技术水平发展也很早，是最早提出以无量纲参数峭度来判断轴承工况的国家。在亚洲各国中，日本的轴承诊断技术最为成熟、先进。我国轴承诊断技术研究起步较晚，主要研究场所为各个高校，目前已取得较大进展。总的来说，轴承故障诊断技术起步早，但是进展较为缓慢，目前已发展为一个与多学科相交叉的领域。一般情况下，滚动轴承故障识别分为以下几个时期：

第一时期：初期由于各种理论的不成熟以及监测诊断仪器的缺乏，只能凭借熟练技术人员的经验，利用自身感官对轴承工作时的噪声、振动等进行识别验证，这种方式准确性不高，通常无法对轴承故障进行及时有效的识别。