滚动轴承状态监测(共32页).doc

《滚动轴承状态监测(共32页).doc》由会员分享，可在线阅读，更多相关《滚动轴承状态监测(共32页).doc（32页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、精选优质文档-倾情为你奉上轴承故障诊断1.1、轴承状态检测的意义： 伴随着科学技术的发展，现代化设备日趋大型化、自动化和连续化。设备一旦发生故障将给产品的质量、乃至人员的生命安全构成严重威胁，因此，企业在设备的维护中花费了大笔费用，以保证其安全运行，如今，保证设备的正常运行，最大限度的减少费用，保证安全，设备故障诊断无疑成为解决这些问题的重要手段。例如滚动轴承，作为机电系统中非常重要的零件，同时又是极易受损的零件，而滚动轴承的状态对工业生产、交通运输等很多方面有很多影响。对于工业生产来说，如果能随时地检测到轴承的工作状态，并进行恰当的维护，将会给生产带来更大的经济效益。然而对于交通运输来说，只

2、有保证列车滚动轴承工作在良好的状态下，才能保证旅客的安全，以及运输系统的正常运作。据统计，在使用滚动轴承的大多旋转机械中，约30%的机械故障是由滚动轴承造成的。文献，由于设计不当和安装工艺不好或者是使用状态不佳，或突发载荷的影响，使轴承在正常运行一段时间之后，产生缺陷，并且在继续运行中进一步恶化，使轴承的运行状态发生变化。因此，对轴承故障的诊断就显得十分重要。1.2、轴承状态检测常用方法： 1.2.1、温度法：用温度传感器检测轴承座或轴承外的箱体处的温度，来判断轴承的工作状态是否正常。温度检测对轴承载荷、速度和润滑情况的变化比较敏感，尤其对润滑不良而引起的轴承过热现象很敏感。但是，当轴承出现早

3、期点蚀、剥落、轻微磨损等比较微小的故障时，温度检测就无能为力了。因此，这一方法有其明显的不足。文献1.2.2、油样分析法：从轴承所使用的润滑油中取出油样，通过收集和分析油样中金属颗粒的大小和形状来判断轴承的受损情况。但是这种方法只适用于润滑有轴承，对于脂润滑来说，就不适用了。同时，可能受到从外围部件上掉下的颗粒的影响，使判断结果的准确性受影响。这种方法也有其局限性。文献1.23、振动信号分析法：通过安装在轴承底座或箱体恰当位置上的振动传感器检测轴承的振动信号，并对采集到的信号进行分析和处理来判断轴承的状态，振动法具有如下优点：一、适用于各种类型，各种工况的轴承。二、可以有效地诊断出早期的故障。

4、三、信号的测试及处理简单。四、诊断结果十分可靠等。因此在实际中得到了广泛应用。文献13、国内外研究的概况及趋势：文献目前，国内外开发生产的各种滚动轴承的诊断仪器和系统大多都是根据振动法制成的。滚动轴承故障诊断始于上世纪六十年代，随后，各种方法不断发展，不断完善，大致经历了如下几个阶段：第一个阶段：利用通用的频谱分析仪诊断轴承故障。第二个阶段：用冲击脉冲技术诊断轴承故障。第三个阶段：用共振解调技术诊断轴承故障。第四个阶段：开发以微机为中心的监视与故障诊断系统。目前的研发属于第四个阶段。并且随着信号检测技术、计算机技术、数字信号处理技术、人工智能的发展，故障诊断已经成为融合了数学、物理、力学等自然

5、科学，以及计算机技术、数字信号处理技术、人工智能技术相结合的综合学科。当今故障诊断的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。1.4、常用分析方法：1.4.1、时域波形分析法 分析过程包括时域波形、调幅解调、相位解调等。 文献1.4.2、频域分析法主要通过对功率谱、细化谱的分析。文献 1.4.3、时频域分析方法 该方法主要包括：包括短时FFT，维格纳分布，小波分析等; 文献1.4.4、双谱分析法 该方法可以敏感地检测滚动轴承的工作状态，并且利用特征图谱可以有效识别轴承的不同故障。文献1.4.5、基于EMD的时频分析法 EMD是一种具有自适应能力的平稳化处理方法

6、，是目前提取数据序列趋势或均值的最好方法，广泛应用于地震监测、故障诊断等研究领域。文献1.5、运行状态识别：1.5.1、支持向量机该方法利用有限的故障样本,以结构风险最小原理为基础,建立滚动轴承早期故障特征与其运行状态之间的对应函数关系,即故障分类器,并以该函数的输出判定轴承的早期故障类型。实验结果表明,小波包分析能够有效的提取滚动轴承中微弱的早期故障特征,支持向量机可以对这些早期故障特征进行准确识别。文献1.5.2、连续隐Markov模型(HMM)小波-HMM可以在变转速变载荷工况下以及未知转速情况下对滚动轴承的各种故障有效地进行诊断。文献1.5.3、BP、RBF和PNN神经网络模型利用声发

7、射在线检测系统对故障滚动轴承进行测试,提取不同故障轴承声发射信号特征参量作为神经网络输入向量,并分别用3种神经网络对滚动轴承故障模式进行识别.结果表明,采用BP神经网络的声发射信号识别技术的正确识别率略低于其余2种的识别率;RBF和PNN网络的分类结果相同,且在分类能力和学习速度方面均优于BP网络.。其中，BP神经网络是前向网络的核心部分，体现了神经网络中最精华、最核心、最完美的内容。文献 BP神经网络是由Rumelhart等在1986年提出的一种监督学习的人工神经网络，它采用误差反向传播训练算法（Back-Probagation简称BP算法）来进行，系统地解决了多层网络中隐含单元连接权的学习

8、问题。目前，在人工神经网络的实际应用中，绝大部分神经网络采取的是BP神经网络和其变化形式，也是前向网络的核心，体现了神经网络最精华的部分。文献中，作者从包罗信号的时域和频域信号中提取的反映滚动轴承故障的特征信息作为BP神经网络的输入，用BP算法对该网络进行训练，很好地实现了对滚动轴承的故障诊断。文献1.5.3.1：人工神经网络吸取了生物神经网络的许多优点，因而有其固有的优点：高度的并行性；（一）、高度的非线性；（二）、良好的容错性与联想记忆功能；（三）、很强的自学习能力和对环境的适应能力。15.3.2：神经元模型如下：文献文献神经元模型是神经元的基本处理单元，它一般是一个多输入、单输出的非线性

9、元件。文献1.5.3.3: BP网络包括三种网络层，分别是输入层、隐层和输出层，其中隐层可以是多层，也可以是单层。神经网络层次结构如下：文献文献1.6、文献综述总结：1.6.1、轴承状态检测常用方法有：油样分析法、温度法、振动信号分析法等。其中最为广泛应用的是振动信号分析法。1.6.2、国内外研究的概况及趋势大体上为：以及计算机技术、数字信号处理技术、人工智能技术相结合的综合学科。以及传感器的精密化、多维化，诊断理论、诊断模型的多元化，诊断技术的智能化。1.6.3、常用分析方法：时域波形分析法、频域分析法、时频域分析方法、双谱分析法、基于EMD的时频分析法。其中时频分析法应用尤为广泛。1.6.

10、4、常用的运行状态识别方法：支持向量机、连续隐Markov模型(HMM)、BP、RBF和PNN神经网络模型。其中神经网络模型的应用尤为广泛，而神经网络的算法中，后向传播BP神经网络的应用最为广泛。2、轴承状态监测装置轴 承加速度传感器数据采集系统轴承故障诊断系统2.1、传感器的选择2.1、振动传感器的型号、性能选择，是振动传感器获得精确测量结果的前提。振动传感器的选型受很多因素影响，其中振动传感器的灵敏度和振动传感器的频率范围，是选型中的重点，决定了振动传感器在实际测量中的表现水平。振动传感器的频率范围是指以指定频率点的灵敏度作为基准，在一定灵敏度偏差内的频率范围。振动传感器在选择时，如果选择

11、灵敏度高的，则高频截止频率较低、振动传感器质量重，反之振动传感器的体积小、重量轻，但灵敏度相对较低。振动传感器的测量频率范围除了和灵敏度相关之外，还取决于振动传感器本身的安装方式。振动传感器的使用频率范围必须配合适当的安装方式，否则过度追求振动传感器的测量频率范围，会导致振动传感器的安装困难，也会增加振动传感器的购买成本。振动传感器测量频率范围和灵敏度是用于估量测量结果精确程度的指标，反过来说，了解所要测量的振动量，对振动传感器这两个指标的选择也有很强的指导性意义，因此在选择振动传感器前，可以先对振动量进行估计，而后选择合适的振动传感器指标。振动传感器的选型，在估计振动量，并确定最大和最小的测

12、量值的前提下，应考虑振动传感器的外在尺寸和频率范围条件，而后确定振动传感器的灵敏度，当然在以上条件许可的情况下，灵敏度的选择是越高越好。2.2、振动传感器的分类：2.2.1、振动传感器按测量的机械量不同，能分为：振动位移传感器、振动速度传感器、振动加速度传感器、振动力传感器、振动应变传感器、扭振传感器和扭矩传感器等。2.2.2、振动传感器按机电变换原理的不同，分为：电压式振动传感器、压电式振动传感器、电涡流式振动传感器、电感式振动传感器、电容式振动传感器、电阻式振动传感器、光电式振动传感器等。2.2.3、首选压电传感器，因为压电式传感器因其频域宽、动态范围大、可靠性高、使用方便等，应用十分广泛

13、。压电加速度传感器是利用压电晶体的正压店效应。其原理是某些晶体在一定方向外力的作用下或承受变形时，它的晶体表面或极化表面将会有电荷产生，这种从机械能到电能的变换叫压电效应。压电式传感器测试的示意图如下：前置放大器的作用： 一是放大压电元件的微弱信号； 二是高阻抗输入变为低阻抗输出。前置放大器的类型： 电压放大器 电荷放大器2.2.4、影响压电式传感器选择的主要因素：2.2.4.1、灵敏度。压电传感器的灵敏度分为电荷灵敏度Sq和电压灵敏度Sv。2.2.4.2、频率。一、低频振动，振动传感器的频段可选为：0.1kHZ1kHZ。二、中频段振动：机械设备中的振动一般是中频段振动，可根据设备振动及设备刚

14、度等综合估算振动频率，大致范围为：0.5Khz5kHZ。三、高频振动。由碰撞和冲击引起。2.2.4.3、由计算公式确定轴承故障时的大致特征频率的一般公式：滚动体缺陷：内滚道缺陷：外滚道缺陷：当外圈滚动内圈静止时：=0；当内圈滚动而外圈静止时：=0.其中：Z为滚动体数目；为触角；为滚动体公转频率；为内环的旋转频率；为外环的旋转频率; 为滚动体直径。当内圈静止，再选定Z、就可确定内、外圈故障时的特征频率。进一步确定相应频段的压电传感器。2.2.5、传感器具体型号选择 在本系统中，传感器选用的是CA-YD-117压电式陶瓷片2.3.1、电荷放大器基本电路如下：2.3.2、电压放大器：高输入阻抗的比例

15、放大器 电压放大器输出电压与电容C= Ca + Ci +Cc密切相关，连接电缆的长度与形状变化，会给测量带来不稳定因素，影响传感器的灵敏度。因此，现在通常采用性能稳定的电荷放大器。2.3.4、电荷放大器的选择本系统中，电荷放大器选用TS5863多通道电荷放大器，该仪器具有3位十进制的传感器灵敏度调节器，可适应不同灵敏度的压电传感器，以得到归一化的输出，有6档接近10分贝的量程供切换，从而提高信噪比。通 道 数：4,6,8输入电荷量：0105pC归一化调节：1.00 9.99pC/Unit额定输出：1mV10V/Unit(1,3分档）频响：0.3100kHz低通滤波器：30,100,300,1k

16、,3k,10kHz,LIN输出：10Vp/10mA;零点：5mV噪声：1mVrms电源：220V,50Hz尺寸：300144260mm2.4振动信号的采集与处理2.4.1振动信号的采集过程2.4.1.1. 信号适调数据采集部分主要是把传感器传来的信号放大、滤波并进行A/D转换。由于目前采用的数据采集系统是一种数字化系统，所采用的A/D芯片对信号输入量程有严格限制，为了保证信号转换具有较高的信噪比，信号进入A/D以前，均需进行信号适调。适调包括大信号的衰减处理和弱信号的放大处理，或者对一些直流信号进行偏置处理，使其满足A/D输入量程要求。2.4.1.2. A/D转换A/D转换包括采样、量化和编码

17、三个组成部分。采样，是利用采样脉冲序列p(t)从模拟信号x(t)中抽取一系列离散样值，使之成为采样信号x(nt)（n=0,1,2,）的过程。t称为采样间隔，其倒数称1/tfs之为采样频率。 2.4.2、数据采集卡的选择本系统采用的是研华公司的PCI-1712多功能数据采集卡图片来自主要的性能指标如下：（1）模拟输入通道：8路差分数字输入通道：16个输入模式：双极性或单端分辨率：12位最大采样频率：1MHz最大1K字节的A/D缓冲空间，32K字节的D/A缓冲空间具有FIFO缓冲区（2）模拟输出D/A转换器：2个分辨率：16位输出范围：0+10V，-5+5V等16个数字数出通道3个16位可编程计数

18、器/定时器 选自2.4.3、PCI-1712多功能I/O卡基本开发方法与MATLAB的连接 通常在WINDOS下编写信号采集与输出程序时，要求程序员对采集卡的各个I/O口的基本性能以及编程规则必须有清楚的了解，并且直接对计算机的底层I/O口进行读写操作，这样做的结果是计算机的执行效率低且容易出错。 研华PCI-1712采集卡的驱动程序中包含有一个动态链接nwadventech. dll，其中包含有一系列对底层I/O口进行直接操作的函数，调用这些函数即可完成对I/O的操作，方便高效且不易出错。在MATLAB中调用这些驱动程序的方法是:在MATLAB的命令窗口中键入:daqregister(adv

19、antech)即可。通过这种方式就可以建立PCI-1712采集卡与软件平台MATLAB之间的联接，然后就可以利用MATLAB的数据采集工具箱编制相应的数据采集程序进行采集。文献2.4.4振动信号的处理过程2.4.4.1、PC机的选择在本系统中，采用的PC机为研华的CPU主频为3.06GHZ，型号为PPC一174TA、线路输入/线路输出 B、USB 2.0x4 C、10/100以太网 D、SVEDIO E、ATX电源 F、VGA端口 G、COM端口x3 H、PS/2鼠标&键盘接口 I、电源开关 J、并行端口 K、PCI插槽x2 选自2.4.4.2、信号分析与处理系统本分析系统主要采用信号分析中常

20、用软件MATLAB,它有很多常用的信号分析工具箱，本系统主要依赖MATLAB信号分析工具箱来对信号进行分析及处理。本系统中对所采集的信号将进行如下处理：2.4.4.2.1、振动信号的预处理信号的预处理包括:消除多项式趋势项和平滑处理。消除多项式趋势项的主要目的是消除偏离基线的信号，提高信号的正确性，常用的方法是最小二乘法。2.4.4.2.2、振动信号的时域处理信号的时域处理主要是对时域波形的分析处理。滤波是时域信号处理的主要内容。本系统选择软件滤波的方式进行信号预处理，使用MATLAB设计了四种均具有低通、高通、带通和带阻滤波功能的IIR数字滤波器。由于FIR数字滤波器设计过程较繁，幅频特性较

21、差，且完成同样运算所需较高的阶数，尤其是在带通滤波器条件下，运算工作量大，系数灵敏度高而IIR数字滤波器设计容易，具有良好的幅频特性，且所需阶数较低，运算量较小 ，所以本系统选择IIR数字滤波器。IIR数字滤波器的设计方法很多，如双线性变换法，脉冲响应不变法，原型转换设计法，直接法等等。随着MATLAB软件尤其是MATLAB的信号处理工具箱的不断完善，不仅数字滤波器的计算机辅助设计有了可能，而且还可以使设计达到最优化。2.4.4.2.2、振动信号的频域处理滚动轴承故障诊断频域特征识别，关键在于转换为频域的实时性是否满足系统实时的工作要求，FFT变换是将时域信号变换为频域信号的有效方法。FFT具

22、有快速实时，无力关系明确的优点，能以较低的成本得到性能满足要求的系统，本次频域特征识别手段采用FFT变换。2.5 特征值抽取25.1 时域特征值抽取均方根值：与轴承表面波纹等缺陷引起的无规则振动波形的异常有较好的相关性。峰值：对有磨损又有表面损伤性故障比较有效。峰值因子：适用于点蚀类故障的诊断。峭度：表示轴承振动信号振幅的规则性，当过大时则意味着有故障出现。脉冲因子：反映了振动脉冲的频率。裕度系数：反映信号冲击程度的一个指标，对轴承的冲击故障较为敏感。波形因子：可用来判定滚动轴承的损伤类型故障：正常：正常轴承和故障轴承零均值后的时域对比：正常轴承时域特征值抽取汇总：组别特征类均方根值峰值峰值因

23、子峭度因子脉冲因子裕度系数波形因子10.31421.38724.41524.01655.77736.97181.308520.32621.31774.04013.76455.20286.21321.287830.32041.41724.42344.49085.78296.9441.307440.31801.16883.6763.38184.71175.63921.281850.337641.58624.6984.2786.21197.53991.322360.322761.23483.82573.7334.97595.99821.300770.352021.5024.26683.78855.5

24、6116.70581.303380.313821.22323.8984.00245.04176.01711.2934故障轴承时域特征抽取汇总：征特别组均方根值峰值峰值因子峭度因子脉冲因子裕度系数波形因子10.340582.1026.171710.45310.07313.6111.632220.333152.1116.33649.73259.991813.241.576930.363532.4776.813811.38911.18715.1661.641740.335322.11676.31269.1259.802812.9261.552950.398372.53156.354711.71911

25、.34916.2281.785960.34232.3516.868211.17311.00814.6341.602870.404232.24035.54210.1999.719313.9591.753780.348682.51957.225912.51311.84515.9431.6393正常轴承及故障轴承时域特征值对比：2.5.2 频域：用Welch法估计信号的功率谱密度频域采用Welch法估计信号的功率谱密度的特征值汇总比较如下：正常轴承：组别特征类型重心频率频率方差均方频率10.0.0.20.0.0.30.0.0.40.013360.0.50.0.0.60.0.0.70.0.0.80.0

26、.0.故障轴承：组别特征类型重心频率频率方差均方频率10.0.0.20.0.0.30.0.0.40.0.0.50.0.0.60.017910.0.70.0.0.80.0.020540.故障轴承 正常轴承2.5.3 直接在频谱图上对比取点：第一组数据：第二组数据：综合以上两幅图形，可知：该轴承故障在频域上有两个个很明显的特征在频率接近2500HZ、4000HZ附近取两个特征值，特征值的汇总如下表所示：正常轴承：组别幅值特征位置2500HZ4000HZ115.625130.21212.5220.83312.5193.06415.625217.01515.625217.01619.097168.47

27、12.7222193.06815.278193.06故障轴承：组别幅值特征位置2500HZ4000HZ150.6956.897251.03448.276351.03459.31453.79356.552542.41456.897647.86256.897748.75956.897854.24154.828在频谱图上取得的特征值的对比：由于采集的各数据单位不一致，因而须对数据进行0.1，0.9归一化处理，采用如下方法对上述数据进行归一化：y(i,:)=0.1+(x(i,:)-min(x(i,:)/(max(x(i,:)-min(x(i,:)*(0.9-0.1);2.5.4 数据归一化处理训练网络

28、用的数据归一化：正常轴承神经网络测试数据归一化0.10.228220.285250.16090.228440.200680.142370.10.436640.430150.160540.758040.214050.187410.191250.136720.159190.143370.109520.20620.533110.526770.10.90.158930.245830.287310.206410.229110.198580.140630.15220.436640.430860.10.771250.136120.10.10.10.10.10.10.167210.511490.504880.

29、160540.882290.322790.345040.356120.1860.280820.24360.164270.126420.460670.454240.160540.882290.181360.138750.137520.13370.131840.127120.129990.170930.490210.484020.227810.79601故障轴承神经网络测试数据归一化0.350730.647850.725450.778520.74620.702280.656080.669890.743080.740990.839880.139970.280110.653140.766730.709

30、380.736420.674250.568320.393860.186520.18770.846550.10.568860.8680.886370.868330.880470.819760.671160.90.90.90.846550.151160.300740.656480.760760.651090.713640.650530.530230.229810.10.10.90.138370.90.90.771310.90.90.90.90.544960.622440.619960.679550.139970.367080.794030.90.847610.85890.779570.609420

31、.750830.768160.767150.785090.13997测试网络用的数据归一化正常轴承神经网络训练数据归一化0.10.272060.188660.10.161080.155510.117210.404610.90.90.10.90.115620.10.10.119610.10.10.10.10.745890.743690.149250.9故障轴承神经网络训练数据归一化0.90.727690.73560.687820.650040.74010.90.510960.10.10.794370.111970.591570.90.90.90.90.90.701170.90.66640.669

32、590.90.12.5.5 MATLAB模式识别先将所提取的特征值输入网络并进行训练，设置正常轴承输出对应的神经原为： 1，故障轴承输出对应的神经元为： 0。主要程序：net=newff(minmax(P),i,1,tansig,logsig,trainlm);%maxmin(P)用于取每行的最大和最小值，设定了输入向量元素的阀值范围，i,1代表中间层有i个神经元，输出层有一个神经元，计算公式为：n2=2*n1+1,n1为输入层net.trainParam.epochs=500;%最大训练次数net.trainParam.goal=0.001;%训练目标，训练误差为0.001net=train

33、(net,P,T);% 训练网络Y=sim(net,P_test) %网络测试网络的训练记录如下：不同隐层时对应的训练误差如下：隐层数2122232425262728训练误差0.00030.00110.00510.00020.00110.00280.00060.0024不同隐层对应的输出神经元如下：隐层数2122232425262728训练结果0.99990.99960.99851.00000.99901.00000.99950.99770.99990.99960.99981.00000.99981.00000.99990.99940.00020.00100.00480.00010.00040

34、.00280.00000.00020.00010.00000.00000.00020.00000.00020.00000.0000由上表可知：隐层数选择为24层时，训练结果的训练误差最小。训练窗口如下：经上述测试，该网络达到了预定要求。2.6 总结与展望随着科技的迅速发展，由于轴承系统在工业生产中的广泛应用，常规故障诊断技术越来越难以满足人们对轴承系统的可靠性要求，而人工神经网络的智能诊断技术越来越受到青睐，是轴承系统故障诊断发展的重点方向。本文从理论上分析了典型轴承故障的机理、特性，采用对轴承振动信号进行时域和频域分析提取轴承典型故障的特征，综合故障诊断、信号处理及人工智能等多方面的知识，以

35、实验为基础，研究了基于BP神经网络的轴承故障诊断技术，利用轴承振动的实测数据，用基于BP神经网络的方法建立轴承故障诊断系统模型进行处理。 本系统是对智能诊断的一种初步探索，所有这些都值得在以后的工程实践中做进一步的研究、并不断完善，使系统向高度智能化和正确反映现实世界方向发展。因此，还需进一步对模型的BP算法展开研究，深入分析算法中的学习速率、动量系数、网络训练的样本集以及过拟合现象等因素对网络的影响;且本系统的设计是属于离线工作方式，实际应用中在线式工作是保证实时性的基本要求;现在的诊断系统也越来越多的对模糊控制、专家系统进行研究，这些智能方法的相互结合也是一个发展趋势。作者还有在界面设计方

36、面还得下很大功夫。这将是本文的后续工作，也是作者今后继续学习的方向之一。2.7 程序汇总采集卡的采样频率为10kHZfs=10000;zc1=zc1(1:10000,1);%使两矩阵长度一样xzc1=zc1-mean(zc1);xgz=gz-mean(gz);y1=fft(xzc1);%进行fft变换mag1=abs(y1);%求幅值f1=(0:length(y1)-1)*fs/length(y1);%进行对应的频率转换f1=f1(1:5000,1);mag1=mag1(1:5000,1);subplot(2,1,1);plot(f1,mag1);%做频谱图xlabel(频率(HZ)ylabe

37、l(幅值)title(好的)y2=fft(xgz);%进行fft变换mag2=abs(y2);%求幅值f2=(0:length(y2)-1)*fs/length(y2);%进行对应的频率转换f2=f2(1:5000,1);mag2=mag2(1:5000,1);subplot(2,1,2);plot(f2,mag2);%做频谱图xlabel(频率(HZ)ylabel(幅值)title(故障) x,y=ginput(20) %在图上取八个点 bar(x,y)%画柱状图特征值选取如下：时域特征值抽取时域特征值抽取：zc1=zc1(1:10000,1);subplot(2,1,1)plot(zc1)

38、;data1=zc1-mean(zc1); %数据零均值化subplot(2,1,2)plot(data1)x=length(data1); %求取数据长度jfgz=sqrt(sum(data1.2)/x) %提取均方根值fz=(max(data1(1:(x/2)-min(data1(1:(x/2)/2+(max(data1(x/2+1):x)-min(data1(x/2+1):x)/2)/2 %提取峰值fzyz=fz/jfgz; %提取峰值因子qdyz=sum(data1.4)/(jfgz.4)*x) %提取峭度因子mcyz=(fz*x)/sum(abs(data1) %提取脉冲因子ydxs

39、=fz/(sum(sqrt(abs(data1)/x)2 %提取裕度系数bxyz=(jfgz*x)/sum(abs(data1) %提取波形因子shiyuzong=jfgz,fz,fzyz,qdyz,mcyz,ydxs,bxyz; %时域总，时域统计特征值汇总subplot(2,1,1)bar(shiyuzong)%好的data2=zc1-mean(zc1); %数据零均值化x=length(data2); %求取数据长度jfgz=sqrt(sum(data2.2)/x) %提取均方根值fz=(max(data2(1:(x/2)-min(data2(1:(x/2)/2+(max(data2(x

40、/2+1):x)-min(data2(x/2+1):x)/2)/2 %提取峰值fzyz=fz/jfgz %提取峰值因子qdyz=sum(data2.4)/(jfgz.4)*x) %提取峭度因子mcyz=(fz*x)/sum(abs(data2) %提取脉冲因子ydxs=fz/(sum(sqrt(abs(data2)/x)2 %提取裕度系数bxyz=(jfgz*x)/sum(abs(data2) %提取波形因子shiyuzong=jfgz,fz,fzyz,qdyz,mcyz,ydxs,bxyz; %时域总，时域统计特征值汇总subplot(2,1,2)bar(shiyuzong)频域特征值抽取：

41、fs=10000;zc1=zc1(1:10000,1);%使两矩阵长度一样gz=gz(1:10000,1);%使两矩阵长度一样xzc1=zc1-mean(zc1);xgz=gz-mean(gz);y1=fft(xzc1);%进行fft变换mag1=abs(y1);%求幅值f1=(0:length(y1)-1)*fs/length(y1);%进行对应的频率转换f1=f1(1:5000,1);mag1=mag1(1:5000,1);subplot(2,1,1);plot(f1,mag1);%做频谱图xlabel(频率(HZ)ylabel(幅值)title(好的)y2=fft(xgz);%进行fft

42、变换mag2=abs(y2);%求幅值f2=(0:length(y2)-1)*fs/length(y2);%进行对应的频率转换f2=f2(1:5000,1);mag2=mag2(1:5000,1);subplot(2,1,2);plot(f2,mag2);%做频谱图xlabel(频率(HZ)ylabel(幅值)title(故障)归一化：%归一化程序x=0.31421.38724.41524.01655.77736.97181.30850.0.0.15.625190.210.32621.31774.04013.76455.20286.21321.28780.0.0.12.5220.830.32041.41724.42344.49085.78296.9441.30740.0.0.12.5193.060.31801.16883