下载文档原格式
典型故障机理识别和表征方法1.引言1.1 概述概述在工程和科技领域，机器和设备的故障是无法避免的。
当发生故障时，准确地识别和理解故障的机理对于及时修复和预防类似问题的再次发生至关重要。
然而，由于故障机理本质上是复杂和多变的，常常需要借助专业知识和先进的分析方法来进行识别和表征。
本文旨在介绍典型故障机理识别和表征的方法。
首先，我们将详细介绍故障机理的识别方法，包括方法1和方法2。
这些方法基于不同的原理和技术，可以从不同角度揭示故障发生的原因和机制。
通过对故障机理的准确识别，可以为故障的解决提供有力的依据和指导。
其次，我们将介绍故障机理的表征方法，包括方法1和方法2。
一旦故障机理被识别出来，我们需要进一步进行表征，以便更好地理解故障的性质和特点。
这些方法可以通过各种手段，如数学建模、实验测试和数据分析等，将故障机理具体化和可视化。
通过对故障机理的深度表征，我们可以更好地理解其引发的原因和对系统性能的影响。
最后，在结论部分，我们将对本文所介绍的典型故障机理识别和表征方法进行总结，并展望未来的研究方向和发展趋势。
希望本文能够为读者提供一个全面的视角，以便更好地应对和解决机器和设备故障带来的挑战。
1.2文章结构文章结构的主要目的是为了帮助读者更好地理解文章的内容和组织。
本文的结构主要包括三个部分：引言、正文和结论。
引言部分将首先对文章的主题进行概述，介绍典型故障机理识别和表征的重要性和应用领域。
接下来，文章将介绍整篇文章的结构，并简要说明每个部分的内容和目的。
最后，引言部分将阐明本文的目的，即通过对典型故障机理识别和表征方法的深入研究，来提高故障检测和预防的准确性和效率。
正文部分将详细介绍典型故障机理识别方法和表征方法。
在典型故障机理识别方法的部分，将列举并详细描述两种具体的方法，即方法1和方法2。
对于每种方法，将提供相关的理论基础、算法原理和应用案例，以便读者全面了解其优缺点和适用范围。
在典型故障机理表征方法的部分，同样会介绍两种具体的方法，并对其进行详细的解释和评估。
故障诊断技术综述一引言故障诊断技术是一门紧密结合生产实际的工程科学，是现代化生产发展的产物。
随着现代科学技术在设备上的应用，设备的结构越来越复杂，功能也越来越完善,自动化程度越来越高,由于许多无法避免的因素影响,会导致设备出现各种故障，从而降低或失去预定的功能，甚至会造成严重的乃至灾难性的事故.不言而喻，机械故障诊断技术在工业生产中起着越来越重要的作用,生产实践证明，研究故障诊断技术具有重要的现实意义。
二故障诊断技术的定义故障诊断技术就是在设备运行中或基本不拆卸设备的情况下，掌握设备的运行状况，根据对被诊断对象测试所取得的有用信息进行分析处理，判断被诊断对象的状态是否处于异常状态或故障状态，判断劣化状态发生的部位或零部件，并判定产生故障的原因，以及预测状态劣化的发展趋势等。
其目的是提高设备效率和运行可靠性,防患于未然，避免故障的发生。
三故障诊断技术的构成环节从故障诊断的流程看，通常诊断系统由信号采集、信号处理、状态识别和诊断决策四大部分构成。
其中,信号采集是基础,信号分析和处理是关键，状态识别（包括判断和预报）是核心,决策与管理是最终目标。
前３个环节是基本环节。
1．信号采集信息采集的基本任务是获取有用的信息。
这是故障诊断的基础和前提，监测获取到的有用信息越多，监测数据越真实,越容易判断出故障原因。
在运行过程中，必然会有力、热、振动及能量等各种量的变化，由此会产生各种不同的信息，根据不同的诊断需要,选择能表征设备工作状态的不同信息，如振动、压力及温度等,是十分必要的．这些信号一般是用不同的传感器来拾取的。
只有采集到反映设备实际状态的信号，诊断的后续工作才有意义,因而信号采集是故障诊断技术中不可缺少的重要环节。
(1)常用的设备状态监测技术分类1)振动信号监测技术对设备的振动信号测试和分析，能获得机体、转子或其他零部件的振动幅值、频率和相位3个基本要素,经过对信号的分析、处理与识别,可了解到设备的振动特点、结构强弱、振动来源、故障部位和故障原因,为诊断决策提供依据.故利用振动信号诊断故障的技术较为普遍.2）声信号监测诊断技术声信号监测诊断技术包括:噪声诊断、超声波诊断和声发射诊断技术.其中噪声的分析与诊断通常有两个目的:一是寻找机器发出噪声的主要声源，以便采取相应措施降低噪声;二是利用噪声信号判别故障。
故障诊断方法综述故障诊断是指在设备或系统出现故障时，通过一系列的方法和技术，找出故障原因并进行修复的过程。
故障诊断方法的选择和应用，直接影响到故障诊断的效率和准确性。
本文将综述常见的故障诊断方法。
1. 经验法经验法是指通过经验和直觉来判断故障原因的方法。
这种方法的优点是简单易行，但缺点是准确性不高，容易出现误判。
因此，经验法只适用于一些简单的故障诊断。
2. 分析法分析法是指通过对故障现象进行分析，找出故障原因的方法。
这种方法的优点是准确性高，但缺点是需要一定的专业知识和技能。
分析法适用于大多数故障诊断，但需要进行系统性的分析和判断。
3. 测试法测试法是指通过对设备或系统进行测试，找出故障原因的方法。
这种方法的优点是直观、准确，但缺点是需要专业的测试设备和技术。
测试法适用于大多数故障诊断，但需要进行系统性的测试和分析。
4. 模拟法模拟法是指通过模拟故障现象，找出故障原因的方法。
这种方法的优点是可以在不影响正常运行的情况下进行故障诊断，但缺点是需要专业的模拟设备和技术。
模拟法适用于一些特殊的故障诊断，如电路板故障等。
5. 统计法统计法是指通过对设备或系统的历史数据进行统计分析，找出故障原因的方法。
这种方法的优点是可以发现一些隐蔽的故障，但缺点是需要大量的数据和专业的统计技术。
统计法适用于一些长期运行的设备或系统的故障诊断。
故障诊断方法的选择和应用，需要根据具体情况进行综合考虑。
在实际应用中，可以根据故障现象的特点和设备或系统的特点，选择合适的故障诊断方法，以提高故障诊断的效率和准确性。
滚动轴承故障诊断方法与技术综述引言：滚动轴承作为机械设备中常用的零部件之一，承担着支撑和传递载荷的重要作用。
然而，由于使用环境的恶劣和工作条件的复杂性，滚动轴承往往容易出现各种故障。
因此，为了保证机械设备的正常运行和延长轴承寿命，对滚动轴承的故障进行准确诊断非常重要。
一、故障诊断方法1. 观察法观察法是最常用的故障诊断方法之一。
通过观察滚动轴承的外观和运行状态来判断是否存在故障。
例如，如果发现滚动轴承有异常噪声、温度升高、润滑油泡沫、振动加剧等现象，很可能是轴承出现了故障。
2. 振动诊断法振动诊断法是一种先进的故障诊断方法，可以通过检测轴承的振动信号来判断轴承是否存在故障。
通过分析振动信号的频谱图，可以确定轴承故障的类型和位置。
常用的振动诊断方法包括时域分析、频域分析和小波分析等。
3. 声音诊断法声音诊断法是一种通过听觉判断轴承故障的方法。
通过专业人员对轴承产生的声音进行听觉分析，可以判断轴承是否存在异常。
常见的轴承故障声音包括金属碰撞声、摩擦声和振动声等。
4. 热诊断法热诊断法是一种通过测量轴承的温度来判断轴承故障的方法。
由于轴承在故障状态下会产生摩擦热，因此轴承的温度可以间接反映轴承的工作状态。
通过测量轴承的温度分布，可以判断轴承是否存在异常。
二、故障诊断技术1. 模式识别技术模式识别技术是一种基于机器学习的故障诊断技术，可以根据轴承的振动信号和声音信号等特征，通过训练模型来识别轴承的故障类型。
常用的模式识别技术包括支持向量机、神经网络和决策树等。
2. 图像诊断技术图像诊断技术是一种通过图像处理和分析来判断轴承故障的技术。
通过对轴承的外观图像进行特征提取和分类，可以实现对轴承故障的自动诊断。
常用的图像诊断技术包括边缘检测、纹理分析和目标识别等。
3. 声音信号处理技术声音信号处理技术是一种通过对轴承声音信号进行滤波、频谱分析和特征提取等处理，来判断轴承故障的技术。
通过对声音信号的频谱图和时域图进行分析，可以判断轴承故障的类型和位置。
机械振动信号的特征提取与故障识别引言：机械振动信号是机械系统中常见的一种信号，它可以提供有关机械设备状态的重要信息。
通过对机械振动信号进行特征提取和故障识别，可以实现对机械设备的状态监测、故障预警和维修计划的制定。
本文将介绍机械振动信号的特征提取方法和故障识别算法，以及其在实际应用中的重要性和挑战。
一、机械振动信号的特征提取机械振动信号通常包含振幅、频率和相位等信息。
特征提取是通过对振动信号进行数学处理和分析，提取其中蕴含的有用信息。
常见的特征提取方法包括时域分析、频域分析和时频域分析。
1. 时域分析时域分析是对振动信号在时间域上进行直接观测和分析的方法，常用的分析指标包括均值、峰值、均方根值等。
时域分析方法简单直观，适用于对振动信号中长期趋势和瞬时变化等进行分析。
2. 频域分析频域分析是通过将振动信号转换到频域进行分析的方法，可以得到信号的频谱特性。
常用的频域分析方法包括傅里叶变换、功率谱密度估计和小波分析等。
频域分析可以用于提取信号的谐波成分、频率响应和共振频率等特征。
3. 时频域分析时频域分析是将振动信号同时在时间域和频域进行分析的方法，可以获得信号的瞬时频率和能量分布等特征。
常用的时频域分析方法包括短时傅里叶变换、连续小波变换和瞬时频率分析等。
时频域分析可以用于对振动信号中快速变化和非稳态特性的分析。
二、机械故障的识别方法机械故障通常会引起机械振动信号的异常变化，通过对振动信号的特征进行分析和比较，可以实现对机械故障的自动识别。
常见的机械故障识别方法包括模式识别、统计分析和机器学习等。
1. 模式识别模式识别是通过对振动信号的特征进行分类和匹配，判断信号的状态是否处于正常或故障的方法。
常用的模式识别算法包括支持向量机、人工神经网络和随机森林等。
模式识别方法需要先建立故障模式库，并通过训练和分类来实现故障的识别。
2. 统计分析统计分析是通过对振动信号的统计特性进行分析，判断信号是否符合某种统计规律的方法。
基于特征提取的机械故障诊断技术研究引言机械设备在各个工业领域中扮演着重要的角色。
然而，随着设备年限的增长和运行时间的逐渐增加，机械故障频繁发生，给工业生产带来了许多不利影响。
因此，研发一种高效可靠的机械故障诊断技术变得至关重要。
本文将介绍一种基于特征提取的机械故障诊断技术，探讨其原理、方法和应用。
一、机械故障诊断的重要性机械故障诊断是指通过对机械设备进行监测和分析，发现潜在故障的可能性，从而及时采取修复措施，避免机器停运和产生不必要的损失。
机械故障不仅会导致设备停机，还可能引发生产事故，危及生产安全。
因此，研究和开发一种高效可靠的机械故障诊断技术，对于提高设备稳定性和生产效率具有重要意义。
二、特征提取的概念和方法2.1 特征提取的概念特征提取是从原始数据中提取出具有代表性的特征信息，用于描述和区分不同类别的机械故障模式。
特征提取可以帮助我们更好地理解机械运行状态，并从中发现异常变化和故障信号。
2.2 特征提取的方法在机械故障诊断中，常用的特征提取方法包括时域特征、频域特征和时频域特征等。
- 时域特征：时域特征是指在时间维度上对信号进行分析，如均值、方差、峰值等。
时域特征可以揭示信号的整体幅值和变化趋势。
- 频域特征：频域特征是指将信号转换到频率域进行分析，如功率谱密度、频谱峰值等。
频域特征可以揭示信号的频率分布情况。
- 时频域特征：时频域特征是指将信号同时转换到时域和频域进行分析，如小波变换、短时傅里叶变换等。
时频域特征可以揭示信号的时变特性。
三、基于特征提取的机械故障诊断技术基于特征提取的机械故障诊断技术主要包括数据采集、特征提取、故障分类和模式识别等步骤。
3.1 数据采集数据采集是机械故障诊断的第一步，它涉及到对机械设备进行监测和采样。
常用的数据采集方法包括传感器监测和信号采集仪器。
3.2 特征提取特征提取是机械故障诊断的核心步骤。
通过使用合适的特征提取方法，我们可以从原始数据中提取出具有代表性的特征信息。
故障检测与诊断技术综述【摘要】本文对故障检测与诊断技术进行了综述，主要介绍了故障诊断的重要性及经济效益，介绍了故障诊断的基本分析方法，结合学科交叉融合性，介绍了多学科相结合的故障诊断分析方法。
【关键词】故障检测；故障诊断；小波分析一、概述现代化工业技术发展突飞猛进，现代工业自动化程度越来越高，系统规模也越来越大，简单控制系统已经不能达到工业生成的需求，大规模、综合性、复杂的自动化系统运用越来越广[1]。
自动化设备和系统结构的日益复杂和集成化，使得系统发生故障的机率也增加，故障的产生会毁坏设备，影响系统正常运转，甚至造成人员伤亡。
国内外由于设备故障所引起的设备损坏、锅炉爆炸、道路塌陷，不仅造成经济损失也造成人员伤亡，社会影响及其恶劣。
为了达到以人为本同时维护经济的目的，可以加强系统的稳定性、可靠性、鲁棒性和安全性，但任何设备都不可能无限期使用，这就需要防患于未然，因此故障检测技术应运而生。
二、故障检测重要性故障检测技术是是一门多学科融合交叉性学科[1]，如：信号提取则依赖于传感器及检测技术；信号降噪离不开信号处理技术；状态估计和参数估计方法以系统辨识理论为基础；鲁棒故障诊断涉及到鲁棒控制理论知识；此外数值分析、概率与数理统计等基础学科也是故障检查和诊断不可缺少的方法。
多门学科知识的支撑确保了故障诊断技术的迅速发展，在工业领域也应用广泛，如化工生产、冶金工业、电力系统、航空航天、机器人等生产的各个领域。
三、故障检测技术经济效益数据显示[2]，故障检测技术与经济发展息息相关，对故障检测技术的研究与发展越来越多，在工业生产中也得到了应用和推广。
通过故障诊断技术的推广，大大降低了设备维修费用，各国在故障诊断技术上的投入也逐渐增加。
日本对故障检测与诊断技术的投入占其生产成本的5.6%，德国和美国所占比例分别为 9.4%和7.2%。
在冶金工业生产中，我国每年承担的设备维修的费用就高达 250 亿元，金额庞大，然而如果应用故障检测与诊断技术，每年可以减少事故发生率同时也能节约 10%～30%的维修费用。
机械振动信号的特征提取与故障诊断引言：机械振动作为一种常见的故障信号，具有广泛的应用领域。
振动信号的特征提取和故障诊断是现代工业中一个重要的问题，它对于提高设备的运行稳定性和可靠性具有重要意义。
本文旨在探讨机械振动信号的特征提取方法，并分析其在故障诊断中的应用。
一、机械振动信号的特征提取1. 时间域分析时间域分析是对振动信号进行快速分析的一种方法，它主要通过对信号的幅值和时间的分析，提取振动信号的周期、幅值和波形等特征。
其中，最常用的方法是时域波形图、方差和峰值等统计指标。
2. 频域分析频域分析是一种将振动信号从时域转换到频域的方法。
通过对振动信号进行傅里叶变换，可以将其分解成不同频率的分量。
常见的频域特征包括功率谱密度、频谱图和频率响应等。
3. 小波分析小波分析是一种将振动信号分解成不同尺度的子信号的方法，它可以提取振动信号的时频特性。
常用的小波分析方法包括小波包分析和连续小波变换，通过对小波系数进行分析，可以得到振动信号的频谱图和时频图等特征。
二、机械振动信号的故障诊断1. 轴承故障诊断轴承是机械设备中常见的易损件，其故障会导致振动信号的异常变化。
通过对振动信号进行特征提取，可以分析轴承故障的类型和严重程度。
常用的特征包括峰值指标、频域特征和小波包能量等，通过对这些特征进行分析，可以判断轴承是否存在异常。
2. 齿轮故障诊断齿轮是机械传动中的重要组成部分，其故障会导致振动信号的变化。
通过对振动信号进行特征提取，可以判断齿轮是否存在故障。
常用的特征包括颗粒度指标、Kurtosis指标和脉冲指标等，通过对这些指标进行分析，可以诊断出齿轮的损伤程度。
3. 泵故障诊断泵在工业生产中的应用非常广泛，其故障会导致振动信号的变化。
通过对振动信号进行特征提取，可以分析泵的故障类型和严重程度。
常用的特征包括重心指标、峰值指标和频谱特性等，通过对这些特征进行分析，可以判断泵是否存在异常。
结论：机械振动信号的特征提取和故障诊断是实现设备运行稳定性和可靠性的关键技术。
图像局部特征提取方法综述引言：图像是一种包含丰富信息的视觉表征形式，但如何从图像中提取有助于识别和描述图像内容的局部特征一直是计算机视觉领域的一个重要研究方向。
图像局部特征提取方法的目标是在不受图像整体变化的影响下，提取出能够表征图像局部结构和纹理信息的特征点。
本文将综述目前常用的图像局部特征提取方法，并对其优缺点进行评述。
一、经典的图像局部特征提取方法1. 尺度不变特征变换(Scale-Invariant Feature Transform, SIFT)SIFT是一种经典的图像局部特征提取算法，它通过检测极值点和描述关键区域的局部图像块的梯度分布来提取特征点。
SIFT算法具有旋转、平移和尺度不变性，且对光照变化和噪声有一定的鲁棒性。
然而，SIFT算法在计算时间和计算资源消耗方面存在一定的局限性。
2. 尺度空间极值法(Scale-Space Extrema, DoG)DoG是尺度空间极值法的一种实现方式，通过在不同尺度下对图像进行高斯平滑和差分运算，从而检测出具有较大尺度极值的特征点。
DoG算法具有尺度不变性，并且对图像的旋转、平移和仿射变换具有一定的鲁棒性。
然而，DoG算法在计算速度和尺度空间选择方面存在一些问题。
3. 快速特征检测(Fast Feature Detector, FAST)FAST算法是一种基于像素值比较的简单快速特征检测算法，它通过比较像素点和周围邻域像素点的灰度值大小来检测图像中的角点特征。
FAST算法具有快速检测速度和低计算复杂度的优点，适用于实时应用。
然而，FAST算法对旋转、尺度和光照变化较为敏感。
4. 加速稳健特征(Accelerated Robust Features, SURF)SURF算法是基于Hessian矩阵的加速稳健特征提取算法，它通过检测图像中的兴趣点、计算兴趣点的主方向和提取描述子来提取特征点。
SURF算法具有较快的计算速度和较好的尺度不变性。
然而，SURF算法在处理图像模糊和噪声方面相对较弱。
常用故障特征提取方法综述 摘要：随着现代工业及科学技术的迅速发展，生产设备日趋大型化、集成化、高速化、自动化和智能化，设备在生产中的地位越来越重要，对设备的管理也提出了更高的要求，能否保证一些关键设备的正常运行，直接关系到一个行业发展的各个层面。机械故障诊断的基本任务是监视机械设备的运行状态，诊断和判断机械设备的故障并提供有效的排故措施，指导设备管理和维修。在机械故障诊断的发展过程中，人们发现最重要、最关键而且也是最困难的问题之一是故障信号的特征提取。本文就故障诊断的两大类常用方式做了比较说明，并结合实例说明各类方法的优缺点，给读者在实际应用中提供了选择余地。 关键词：故障诊断 特征提取
1、故障特征提取方法研究的目的与意义 随着现代工业及科学技术的迅速发展，生产设备日趋大型化、集成化、高速化、自动化和智能化，设备在生产中的地位越来越重要，对设备的管理也提出了更高的要求，能否保证
一些关键设备的正常运行，直接关系到一个行业发展的各个层面[1,2]。现代化工业生产，一旦发生故障，损失将十分巨大，因此，为尽最大可能地避免事故的发生，机械设备状态监测与故障诊断技术近年来得到了极为广泛的重视，其应用所达到的深入程度十分令人鼓舞。目前，机械设备状态监测与故障诊断已基本上形成了一门既有理论基础、又有实际应用背景的
交叉性学科[1-3]。 机械故障诊断的基本任务是监视机械设备的运行状态，诊断和判断机械设备的故障并提供有效的排故措施，指导设备管理和维修。机械故障诊断主要包括四个步骤[4,5]，即信号测取、特征提取、状态诊断和状态分析。在机械故障诊断的发展过程中，人们发现最重要、最关键而且也是最困难的问题之一是故障信号的特征提取。在某种意义上，特征提取可以说是当前机械故障诊断研究中的瓶颈问题，它直接关系到故障诊断的准确性和故障早期预报的可
靠性[3,5]。
在实际应用中，故障与征兆之间往往并不存在简单的一一对应的关系，一种故障可能对
应若多种征兆，反之一种征兆也可能由于多种故障所致，这些给故障特征提取带来了困难，为了从根本上解决特征提取这个关键问题，通常我们必须要借助信号处理，特别是现代信号处理的理论、方法和技术手段，从采集的原始数据中寻找出特征信息，提取特征值，从而保证有效、准确地进行故障诊断，也就是说，信号处理与故障诊断有着极为密切的联系，信号
处理、特征提取是故障诊断中必不可少的一个重要环节[3]。 2、故障诊断技术的发展
设备状态监测与故障诊断是通过掌握设备过去和现在运行中在基本不拆卸的情况下的
状态量，判断有关异常或故障的原因及预测对将来的影响，从而找出必要对策的技术。它是一门综合性技术，涉及传感器及测试技术、电子学、信号处理、识别理论、计算机技术以及人工智能、专家系统等多门基础学科，是对这些基础理论的综合应用。世界上最早开展设备故障诊断技术的国家是美国。1961年开始执行阿波罗计划后，发生了一系列由设备故障酿成的悲剧，引起了美国军方和政府有关部门的重视。1967年在美国宇航局和海军研究所的倡导和组织下、成立了美国机械故障预防小组(MFPG)，开始有计划有组织地对诊断技术分专题进行研究。此后很多学术机构如美国机械工程师学会 (ASME)，政府部门如国家标准局(NBS)以及一些高等院校和企业公司都参与或进行了与本行业有关的诊断技术研究。在航空运输方面，美国在可靠性维修管理的基础上，大规模地对大型飞机进行状态监测，目前，美国的军用飞机都装备了功能强大的状态监测与故障诊断系统。英国也于70年代初成立了机器保健与状态监测协会(MH&CMA)，1982年曼彻斯特大学成立了沃福森工业维修公司，主要从事状态监测与故障诊断的研究工作和教育培训工作。除此之外，在核电站、钢铁等行业也成立了相应的组织，开展这方面的研究工作[5]。 设备状态监测与故障诊断技术在欧洲其他国家的广泛性虽然不如英美，但都在某一方面具有特色或占有领先地位，如瑞典SPM仪器公司的轴承监测技术，丹麦B＆K公司的传感器制造技术等。日本在70年代开始发展诊断技术，它的做法是密切注视世界各国动向，积极引进和消化最新技术，努力发展自己的诊断技术，日本的诊断技术在民用工业方面占有明显优势，如钢铁、铁路、化工等工业。 我国对设备状态监测与故障诊断技术的认识和发展也经历了与国外同样的过程，1979年以前，一些大专院校和科研单位结合教学和有关设备诊断技术的研究课题，逐渐开始进行机械设备状态监测与故障诊断技术的理论研究和小范围的工程实际应用研究，特别是随着30万吨合成氨等一批大型石化装置的引进，某些装置的机组频繁发生事故，促进了对这项技术研究的重视。从1979年到1983年，设备状态监测与故障诊断技术从初步认识进入到初步实践阶段，以学习别国的先进技术和经验为主，对一些故障机理、诊断方法及简易监测诊断仪器进行研究和研制。目前我国的设备状态监测与故障诊断技术水平与发达圈家的差距己大大缩短，在一些方面，如计算机监测与故障诊断的软件开发等，完全可以满足生产实际的需要，达到同期世界先进水平。
3、故障诊断技术的发展趋势 设备故障诊断技术发展到今天，己成为一门独立的跨学科的综合信息处理技术，它以可靠性理论、信息论、控制论和系统论为理论基础，以现代测试仪器和计算机为技术手段，结合各种诊断现象(系统、设备、机器、装置、工程结构、工艺过程等)的特殊规律而逐步形成的一门新兴学科。它大体上由三部分组成：第一部分为故障诊断物理、 化学过程的研究，例如以电器、机械部件失效的腐蚀、儒变、疲劳、氧化、断裂、磨损等理化原因的研究：第二部分为故障诊断信息学的研究，它主要研究故障信号的采集、选择、处理与分析过程。例如通过传感器采集设备运行中的信号(如振动、转速)，再经过时域与频域上的分析处理来识别评价所处的状态或故障：第三部分为诊断逻辑与数学原理方面的研究，主要是通过逻辑方法、模型方法、推论方法和人工智能方法，根据可观测的设备故障表征来确定下一步的检测部位，最终分析判断故障发生的部位和产生故障的原因[2,3]。 故障诊断技术可简单地划分为传统的诊断方法、数学诊断方法以及智能诊断方法。传统的诊断方法包括：振动监测技术、油液分析技术、噪声监测技术、红外测温技术、声发射技术以及无损检测技术等；数学诊断方法包括：基于贝叶斯决策判据以及基于线性和非线性判别函数的模式识别方法、基于概率统计的时序模型诊断方法、基于距离判据的故障诊断方法、模糊诊断原理、灰色系统诊断方法、故障树分析法、小波分析法以及混沌分析法与分形几何法等；智能诊断方法包括：模糊逻辑、专家系统、神经网络、进化计算方法(如遗传算法)等。 设备故障诊断技术与当代前沿科学的融合是设备故障诊断技术的发展方向。当今故障诊断技术的发展趋势是传感器的精密化、多维化，诊断理论、诊断模型的多元化，诊断技术的智能化，具体来说表现在如下方面[4-6]： （1）与当代最新传感器技术尤其是激光测试技术的融合。近年来，激光技术己从军事、医疗、机械加工等领域深入发展到振动测量和设备故障诊断中，并且已经成功应用于测振和旋转机械对中等方面 (2) 与最新信号处理方法相融合。随着新的信号处理方法在设备故障诊断领域中的应用，传统的基于快速傅立叶变换的机械设备信号分析技术有了新的突破性进展。 (3) 与非线性原理和方法的融合。机械设备在发生故障时，其行为往往表现为非线性。如旋转机械的转子在不平衡外力的作用下表现出的非线性特征。随着混沌与分形几何方法的同趋完善，这一类诊断问题必将得到进一步解决。 (4) 与多元传感器信息的融合。现代化的大生产要求对设备进行全方位、多角度的监测与维护，以便对设备的运行状态有整体的、全面的了解。因此，在进行设备故障诊断时，可采用多个传感器同时对设备的各个位置进行监测，然后按照一定的方法对这些信息进行处理，如人工神经网络方法。 (5) 与现代智能方法的融合。现代智能方法包括专家系统、模糊逻辑、神经网络、进化计算等。现代智能方法在设备故障诊断技术中已得到广泛的应用。随着智能技术的不断发展，设备状态的智能监测和设备故障的智能诊断，将是故障诊断技术的最终目标。
4、故障特征值提取技术综述
机械设备运行时会产生振动，一般还会伴随噪声，由于振动或噪声中带有大量的机械设备运行状态信息，同时，振动或噪声信息十分便于测量获取，因此利用振动或噪声信号对机械设备进行状态监测和故障诊断是最常用、往往也是最有效的方法，是开展故障诊断的一种
重要技术手段[6-7]。事实上，据统计资料分析，在机械设备的各类故障中，由于振动原因而引起的占60％以上。对信号进行有效的分析、处理来提取故障特征信息，是对设备运行状态进行合理估计和分类的关键。可以说机械故障诊断技术的每一项进展都与信号处理手段的发展密切相关。振动信号分析是故障诊断领域最活跃的一个分支，振动信号的分析处理技术在信息提取、结构性能测试、状态监测与故障诊断等技术中应用得越来越广泛，成为工程实践中不可缺少的一种手段。在故障诊断的实际应用中，信号分析与处理的目的就是去伪存真，提取与设备运行状态有关的特征信息，通过各种分析手段使其凸现出来，从而提高状态识别与故障诊断的准确率。下面主要就基于振动信号分析的常用特征提取技术进行描述。
5、常用信号特征值提取技术
故障特征提取有很多种方法，从涉及的数据类型上讲可分为两大类：一类综合考虑变量与模式之间的关系，采用变量对模式的不同响应(如灵敏度)进行分类，如基于互信息熵的方法、神经网络方法等；另一类只考虑变量之间的相互关系，比较每个或每组描述故障模式的变量对分类的贡献大小，选取贡献大的变量，删除贡献小的变量，根据特征变量之间的信息
选择合适的特征，典型的方法如主分量分析[8]。工业生产中常监测机械设备的振动等频谱信息，国内外专家学者针对该类数据提出了诸如小波包、匹配跟踪等特征提取算法。 故障诊断中常用的信号处理方法分为两大类：时域分析和频域分析。时域分析常常是直接利用振动时域信号进行分析并给出结果，是最简单而且最直接的方法，特别是当信号中明显含有简谐成分、周期成分或瞬时脉冲成分更为有效。时域分析主要包括概率分析法、时域同步平均法、相关函数诊断法以及提取时域波形的特征量、振动幅值，振动周期与频率、相位及其它指标：偏度、峭度、峰态因数、波形因数、脉冲因数、峰值因数及裕度因数。频域分析则是以傅立叶分析为基础，包括频谱分析、倒频谱分析、包络分析。频谱分析通常能够提供比时域波形更加直观的特征信息，频谱分析的结果还可用于趋势估计；倒频谱分析是将频谱分析的结果再次利用FFT技术转换到一个新的分析域中，倒频谱具有检测和分离频谱中周期性成分的能力，会使原来谱图上成族的边频谱线简化为倒频谱上的单根谱线，从而使频谱中的复杂周期成分变得清晰易辨，以利于故障诊断；包络分析是提取附在高频信号上的低频信号，从时域上看，为取时域波形的包络轨迹。
