轴承的失效，狭义上指不能满足预定任务，广义上包括可以运行但性能开始劣化的情况。其失效形式包括磨损（润滑失效），疲劳点蚀，变形。低速轴承寿命应按静强度校核，高速轴承除了按疲劳寿命进行校核外，还要计算极限转速。疲劳寿命分布很广，一般以90%不出现疲劳失效的总转数未结果，但实际使用中不一定能和理想估计一般情况。
对轴承故障进行程度上的诊断，对预期寿命进行大致估算，进而得以提前准备配件更换，可以减少停机时间提高生产效率，也可应用于批量产品的出货管控。主流的诊断都是基于振动，从早年的耳听声音，监测温升和使用简单设备检测整体振动，到近年的观察时域和频域的轴承故障特征，一直到16年随着人工智能的火热，部分研究者开始利用深度学习研究故障诊断。
根据轴承的设计参数，比如球径球数等，结合一定公式，可以算得故障倍频，也可以直接和供应商索取，然后对检测得到的振动信号进行快速傅里叶变换，对比故障倍频观察频域特征。
对于轴承故障程度较轻的微弱信号，会使用不同方法进行信号处理以增强故障特征，比如共振解调包络检波，
对于信号特别不平稳的，要使用短时傅里叶变换（在选择窗口尺寸上有一定限制），或者小波/小波包等时频分析（小波包的频域划分更详细，小波则是低频时域分辨率好，高频频域分辨率好）
还可以通过经验模态分解后进行fft来分析不同频率成分与轴承故障倍频的联系，相比要预选小波基的方案，emd更贴近现实世界，
免责声明：图文素材来源于网络，版权归原作者所有，如有侵权，请联系删除。
