1. 研究目的与意义
1.1 背景
轴承是现代生产不可或缺的组成部分，而滚动轴承则是轴承的重要形式之一。滚动轴承是将运转的轴与轴座之间的滑动摩擦变为滚动摩擦[1]，从而减少摩擦损失的一种精密的机械元件。相关资料表明：旋转机械故障大概有30%是由滚动轴承失效引发的，20%的齿轮箱故障是由轴承损坏导致的，更有高达44%的电机故障为轴承故障[2]。
2. 研究内容与预期目标
2.1 本课题主要研究的内容
本文以滚动轴承为研究对象，从振动信号入手，针对滚动轴承故障特征提取与故障诊断的问题展开研究。一个完整的故障诊断过程包括处理分析、特征提取、状态分类等步骤，对其故障类型及故障监测方法、振动产生机理及故障信号特征进行详细分析。主要研究的内容大致分为以下三点。
（1）对振动信号进行处理分析。由于轴承在运转过程中会受到大量外源振动的干扰，不能直接使用。因此，需要对采集到的振动信号进行预处理，以减少噪声对信号中有效成分的干扰，从时域、频域等方面进行分析，时域波形中，当轴承出现故障时，其振动幅值会比正常滚动轴承有不同程度的增加，出现周期性或不规则的冲击、毛刺。对原始的振动信号进行处理，获取最能识别机器状态的特征参数。
3. 研究方法与步骤
3.1 课题采用的研究方法
（1）时域特征分析法
时域波形中，正常滚动轴承的振动信号基本是平稳的随机波形，当轴承出现故障时，其振动幅值有不同程度的增加，波形也有所改变。因此，轴承的故障信息能够在所采集的信号中反映出来，当监控的统计特征参数超过了健康阈值，则认为该滚动轴承发生故障。但是进行简单的时域波形观察和幅值谱分析并不能准确、有效地判定轴承的运行状态、故障部位和故障模式，我们还需要做进一步的分析与处理。
4. 参考文献
[1]陶骏杰.基于小波分析和支持向量机的滚动轴承故障诊断研究[D].北京化工大学,2019.
[2]Kaplan K., Kaya Y., Kuncan M., et al. An Improved Feature Extraction Method Using Texture Analysis withLBP for BearingFault Diagnosis[J]. Applied Soft Computing,2020, 87: 106019.
[3]邓飞跃.滚动轴承故障特征提取与诊断方法研究[D].华北电力大学(北京),2016.
5. 工作计划
本课题的具体进度安排（包括序号、起迄日期、工作内容）
（1）学习调研并收集资料。（第一周至第二周）
1）上网搜索与本课题相关的知识，收集相关资料 。
以上是毕业论文开题报告，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
