1 轴承状态监测的意义及常见的故障类型
轴承是各类机械设备中不可或缺的部件，被广泛地应用于车辆、航天、冶金等领域，但同时它也是极易损坏的部件之一。轴承主要故障类型有：点蚀、胶合、磨损、烧伤等，轴承故障会使机械设备产生振动和噪声，容易导致整个设备的工作停滞，甚至引发严重的事故。因此，进行及时而有效的轴承状态监测将是十分必要的。
2 轴承状态监测技术的发展过程
轴承状态监测技术的发展过程，大致可以分为如下三个阶段：
第一阶段：早期，用经验对观察的轴承工作状态和轴承工作噪声进行识别和判断。这种方式受主观因素的影响较大，难以对机械设备的故障进行实时、准确的判断。
第二阶段：利用计算机技术，进行初级的状态监测。1960年以后，计算机技术的发展和傅里叶算法的出现，使得计算机信号处理技术有了较为完善的理论基础，信号的频谱分析处理得以现实。由轴承的工作情况计算出轴承各种故障的特征频率，将采集的信号进行傅里叶频谱分析，对照特征频率就可以判断轴承的状态。由于这种方法受环境噪声的影响，所以效果不是十分的理想。之后出现了共振解调技术，它有效地提高了振动信号的信噪比，使得故障的特征更为明显，此方法在轴承状态监测领域的应用十分广泛。
第三阶段：利用神经网络技术，进行智能化的状态监测。1990年以后，小波技术和神经网络技术出现，并被应用于轴承状态监测领域，使得轴承状态监测技术由初级化走向智能化。这两项技术的发展前景广阔，实用性较强，随着这两项技术不断地发展、完善和成熟，轴承的智能化状态监测技术的效果也将得到提高。其他状态监测方法如轴承的油液分析法，图象分析法等，由于对于工作状况和工作环境的要求比较高，所以适用的范围也相对较小。
3 轴承状态监测的步骤及方法
对于轴承进行状态监测的过程一般来说可以总结为三步：第一步，在各种工作状况下进行信号的采集；第二步，对采集到的信号进行信号处理和特征抽取：第三步，状态识别，即使用神经网络技术对提取的特征信号进行识别。
第一步信号采集，用各类传感器选取种类的信号进行采集。轴承状态监测的信号采集技术主要有振动信号检测技术、声学诊断技术、温度诊断技术、油液诊断技术和间隙诊断技术等，较多采用的是用振动信号检测技术采集轴承工作时产生的振动信号。
振动信号检测技术是使用振动传感器(如加速度传感器等)采集轴承工作时的振动信号，此技术适用于各种类型、各种工作状况下轴承振动信号的采集，实用性强，但采集到的振动信号易受工作环境的影响，含有大量的噪声，需对含有的噪声信号进行滤波等的处理，以获取较好的振动信号检测效果。
声学诊断技术是使用声学传感器(如声发射传感器等)采集轴承因故障而产生的弹性波信号。此技术是采集轴承本身发出的高频应力波信号，不易受工作环境噪声的干扰，易于直接检测出故障，效果较好。但是声学诊断技术成本较高，实用性不强。
温度诊断技术是监测轴承工作时温度变化的信号，此技术使用简单，实用性高，但是轴承在故障初期的温度变化并不明显，而当温度明显的时，往往都已有了严重的故障，所以不能进行早期预报，且可能会仪器的损坏。
油液诊断技术是对轴承使用的润滑油的状态进行监测，从而了解轴承的润滑状态与磨损状况，此技术能对各种故障进行早期预报，并能查明故障产生的原因与故障部位。油液诊断技术应该采用系统的方法监测，单一的方法往往会导致不全面的结论。实验表明，由理化分析、污染度测试、发射光谱分析、红外光谱分析、铁谱分析等构成的油液诊断系统的结果较为准确。
间隙诊断技术是将轴承工作时的间隙值与轴承原始的间隙值进行比较。但是在工作时，难以直接测定轴承的间隙值，因此多采用间接测量法。此技术对轴承磨损、点蚀的监测比较有效，但是间接测量的影响因素较多，而且当间隙值变化明显时，轴承己产生了严重的故障，因此实用性不强。
第二步信号处理和特征抽取。传统的信号处理方法是分别在时域和频域对采集到的信号进行分析，此方法难以较好地刻画故障信号的特征。时频分析法则具有提取时域和频域两种信息的能力。目前在轴承状态监测中应用的时频分析方法主要有短时傅立叶变换STFT、小波变换和分形处理等。轴承状态监测，关键在于能对抽取的信号特征进行状态识别，因此抽取到明显的、有区别性的特征至关重要。传统的傅立叶变换进行特征抽取的先决条件是信号要是平稳的，对于非平稳的信号，抽取到的特征的效果就不好。小波分析法可以根据条件对非平稳的信号进行滤波，从而得到有用的信号，以方便下一步拙取到有效的特征，比傅立叶变换法有着许多实用性上的进步。
小波滤波法，是小波技术在信号处理技术中的一个重要方面。传统的滤波方法在信号变换之后熵增加，无法刻画出信号的非平稳特性，而且无法得到信号的相关特性，但是小波滤波法可以很好地实现这些作用。
小波闽值滤波法，是对经过小波分解后得到的信号中的高频小波系数进行阈值滤波，再结合包络解调技术对经过阈值滤波后得到的高频信号抽取其特征。包络解调技术可以消除信号中的高频载波，以有效地提取包络。
运用matlab编程可较快实现时域、频域的特征抽取结果。
第三步状态识别，现代智能化技术的发展和应用，出现了神经网络和专家系统等的状态识别技术。神经网络技术，作为一种应用十分广泛的智能化识别技术，具有非线性映射能力强，有自学习、自组织和自适应能力的特点，适合在轴承状态监测技术中运用。运用神经网络技术对拙取到的特征进行状态监测，用模糊神经网络技术解决多传感器信号特征的识别，几种典型的故障类型的识别，以及在网络构成和模糊输入输出条件下实现旋转机械故障的识别问题。
4 总结
本文阐述了进行轴承状态监测的重要性极其意义，状态监测技术的发展过程及状态监测的步骤流程。应用VC++、matlab编程可较为形象方便地得到结果，完成数据处理和界面设计。小波技术和包络解调技术的运用能对振动信号进行更好地处理，而神经网络识别将是状态监测过程更加智能化。由此，伴随着信号处理技术的发展，轴承状态监测技术的发展前景十分乐观。