CN103969069B - 机械设备工况监测与故障诊断方法 - Google Patents

Abstract

本发明涉及一种机械设备工况监测与故障诊断方法，包括：①振动信号采集；②信号基元分段；③信号分离与分类；④分离信号参数统计；⑤双参数分布显示：对各类分离信号在双参数平面上进行散点显示；⑥运动状态矩阵的构建；⑦利用步骤⑥构建的运动状态矩阵，进行实测振动信号统计分析与设备状态的定性识别；⑧建立机械设备工作状态、工作参数与分离信号时域统计结果之间的定量关系模型；⑨在实时监测过程中利用分离信号时域参数统计结果，代入到步骤⑧建立的定量关系模型中，实现工况参数的定量预测与故障定量诊断。本发明通过简单、低成本的信号监测装置，实现数据的采集与机械设备工况的实时监测与识别处理，采用简约的算法实现故障的定性诊断与工况参数的定量预测，从而为实现机械设备状态监测与故障的定量化科学诊断创造条件。

Description

机械设备工况监测与故障诊断方法

技术领域

本发明公开了一种机械设备工况监测与故障诊断方法，利用机械设备在运行中产生的振动信号和声信号来监测机械设备的工作状态，评估工作参数，并诊断各类故障，属于工程机械设备领域。

背景技术

在工程机械领域中时常遭遇设备故障，导致严重的经济损失甚至是人员伤亡。而机械故障诊断的目的就在于能及时、正确地对各种异常状态或机械故障做出诊断，预防或消除故障，对设备的运行进行必要的指导，提高设备运行的可靠性、安全性和有效性，把故障降低到最低水平，保证设备发挥最佳的工作性能，并通过监测监视、故障分析、性能评估等，为设备结构改造、优化设计、合理制造及生产过程提供数据和信息。总的来说，机械故障诊断技术能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，判定产生故障的部位和原因，以及预测预报设备状态的技术。

作为新兴的综合性的边缘学科，机械故障诊断技术已初步形成了比较完整的学科体系。就其技术手段而言，振动诊断技术已经成为机械设备故障诊断的主流技术。而计算机技术与信号信息处理技术的飞速进步，极大地推动了机械故障诊断和监测技术向着科学化和实用化的方向发展。我国在机械故障诊断技术方面的研究和应用相对较晚，二十世纪八十年代才开始着手组建故障诊断的研究机构，其发展也经历了从简易诊断到精密诊断，从一般诊断到智能诊断，从单机诊断到网络诊断的过程，发展速度愈来愈快。但与发达国家相比，在机械设备故障诊断装备技术和诊断可靠性方面仍有一定差距。总体而言，无论是国内还是国外，如何实现机械设备故障诊断装备的实用化、提高故障诊断技术的实时性与可靠性方面，还需要加大研究探索的力度；而在如何开展机械设备状态的实时监测方面，实施的难度就更大。

机械设备状态实时监测与故障诊断的核心，是能够稳健地识别机械设备正常工况下的工作状态，并且能够敏锐地察觉到工作参数的变化与机器行为、机械故障之间的联系。通过工作参数的变化与机器行为特征(如振动信号，机械设备状态)，来推理、感知可能的机械设备故障。而目前的机械设备故障诊断理论、方法与技术，几乎很少涉及如何确定设备的正常工况，没有一种确定设备正常工况的手段和方法。在进行机械设备故障的监测、诊断过程中，又往往依赖少量的试验样本数据，诊断模型无法实现全面、系统的训练，导致诊断精度差、诊断结果的可靠性低等问题。

在机械设备振动信号的分析、识别和处理过程中，人们多采用傅里叶变换、FFT、小波变换等方法，但这些方法存在的一个最大问题是如何确定信号的分段长度？由于分段长度(或分帧)的不规范，导致各种方法，甚至是同一种方法的处理结果没有可比性。本发明采用信号的基元分段方法实现振动信号科学的分段处理。(吕苗荣，周琳，王丽，马玉明等.石油工程准周期性振动信号的新处理方法[J].石油钻探技术，2009,37(5)：89-92.)

在进行时域信号分析、处理过程中，随着设备故障的发展，以及机器功能的退化，振动信号的时域参数指标也会出现相应的变化。这些时域参数包括平均值、峰值、峰峰值、峭度指标、歪度指标等，它们的定义及物理含义可参见文献“张键编著.机械故障诊断技术.机械工业出版社，2008年9月”的介绍。但目前这些参数是相互独立的，以单一参数的方式进行故障的识别、诊断处理，没有考虑他们之间的有机联系。例如，文献“武和雷,朱善安,林瑞仲,等.滚动轴承故障诊断虚拟仪器系统[J].轴承,2002(12):34-39”分析比较了时域参数与设备故障之间的联系，指出峰值参数可以有效地判断零件表面的损伤，用有效值能够对识别设备磨损。文献“李钢燕.滚动轴承振动监测诊断及趋势分析[J].矿业工程,2008,6(3):37-38”和“谭红,陈珊珊.滚动轴承故障诊断技术的应用[J].冶金设备,2004(3):62-64”利用振动加速度的趋势变化规律来有效地识别滚动轴承工作状态，及时地发现故障隐患。文献“万书亭,吴美玲.基于时域参数趋势分析的滚动轴承故障诊断.机械工程与自动化，2010(3)：108-113”则采用多时域参数综合分析，用振动信号时域参数趋势图来实现滚动轴承的故障监测与诊断。在以往众多的文献中，人们多注重单时域参数随时间的变化，很少考虑这些因素之间的相互联系，以及这些联系与机械设备故障之间的关系，使得时域参数内部的有用信息没有得到充分的挖掘与利用，很难实现机械设备工况的合理预测。

发明内容

本发明要解决的技术问题是：为了解决现有的机械故障诊断方法的不足之处，本发明提供一种机械设备工况监测与故障诊断方法，以实现机械设备工况监测、工作参数评估，机械故障的诊断，并实现故障的定量化判断。

本发明解决其技术问题所采用的技术方案是：一种机械设备工况监测与故障诊断方法，包括以下步骤：

①振动信号采集：采用信号记录仪对机械设备的振动信号进行采集、调理、放大与显示；

②信号基元分段：对采集得到的振动信号进行显示、分析，初步确定信号的基元周期；然后对所述振动信号进行基元分段处理；

③信号分离与分类：对步骤②得到的基元信号的不同成分进行高阶平滑分离，以便得到不同频段的代表各种特征现象的分离信号；

或采用模式滤波法进行信号的滤波计算，实现不同信号成分的分离处理，并对滤波得到的归类时频子波进行信号重构，由此获得分离后代表基底振动、运动件撞击、摩擦、松动、泄漏等各种特征现象的分离信号；

④分离信号参数统计：对步骤③中获得的所述各种特征现象的分离信号进行绝对均值、有效值、峭度指标和歪度指标的统计计算；

⑤双参数分布显示：不同工况下的机械设备振动信号，以及所述代表各种特征现象的分离信号在“绝对均值—有效值—峭度指标—歪度指标”多维参数空间内散点的分布会在特定的区域上聚集，形成特定的状态空间；通过降维处理，对所述代表各种特征现象的分离信号分别在“绝对均值—有效值”、“绝对均值—峭度指标”、“峭度指标—歪度指标”双参数平面上进行散点显示；

⑥机械设备运动的状态矩阵的构建：正常情况下机械设备振动信号及所述代表各种特征现象的分离信号的“绝对均值—有效值”统计显示结果集中于一条直线上或附近，如果偏离了这一直线，说明机械设备存在异常的振动，或者是机械设备工况发生了变化；同时，不同工况下所述代表各种特征现象的分离信号在“绝对均值—有效值”、“绝对均值—峭度指标”、“峭度指标—歪度指标”上也会有相应的变化，都有其特定的双参数平面分布位置和形式，并且对应着特定的振动信号波形；根据所述代表各种特征现象的分离信号的时域参数分布、信号波形特点，结合信号的基元周期，形成机械设备运动的状态特征矩阵，在该状态矩阵中包含了设备运动的各种定性识别信息；

⑦在实时监测过程中根据实测振动信号的时域参数分布、信号波形特点，结合信号的基元周期，对实测振动信号进行所述步骤②③④的处理与统计分析，获得机械设备运转过程中某一时刻的状态向量；将该向量与步骤⑥所述的状态特征矩阵中的特征向量进行比对来实现机械设备工况的监测与故障诊断；

⑧利用步骤④获得的所述代表各种特征现象的重构信号的参数统计结果，建立机械设备工作状态、工作参数与分离信号时域统计结果之间的定量关系模型；

⑨在实时监测过程中利用步骤④获得的所述代表各种特征现象的分离信号时域参数统计结果，代入到步骤⑧建立的定量关系模型中，实现机械设备工况检测、故障诊断与工作参数的定量预测、预警及预报。

步骤③中应用高阶平滑和/或模式滤波分离的方法，对实测振动信号进行合理、完整的分离处理，以便获得反映机械设备各种类型振动的特征信号。

经过步骤②后，还能通过步骤②得到的信号基元对信号成分进行聚类、干扰的识别与抑制处理，以及信号基元周期的提取，用于进行辅助诊断。

本发明的有益效果是，本发明通过简单、低成本的信号监测装置，实现数据的采集与机械设备工况的实时监测与识别处理，采用简约的算法实现故障的定性诊断与工况参数的定量预测，从而为实现机械设备状态监测与故障的定量化科学诊断创造条件。

附图说明

下面结合附图和实施例对本发明进一步说明。

图1是本发明的测试实例——齿轮效率测试系统的组成示意图；

图2是齿轮传动系统四通道实测时域波形图；

图3是信号基元分段处理示意图；

图4是信号的基元分段结果示意图；

图5是测量信号分离成为BOD和TNH信号实例示意图；

图6是TNH振动信号绝对均值与有效值之间的散点分布图；

图7是第1、2、3椭圆区域散点对应的基元振动信号示意图；

图8是多通道振动信号歪度指标与峭度指标之间的散点分布图；

图9是齿轮传动系统绝对均值与峭度指标散点图；

图10是采样率分别为10kHz、20kHz时，振动信号的“啮合、冲磨信号—基底、机体振动—输入功率”三维散点图。

其中，图1中：1为电机；2为电机输入功率测量传感器；3为振动测量传感器；4为齿轮传动装置；5为齿轮传动输出功率测量传感器；6为多通道信号采集模块；7为多通道信号无线传送模块(或有线发送模块)；8为多通道信号无线接收模块(或有线接收模块)；9为故障报警器；10为传动系统工况识别与工作参数预测模块。

具体实施方式

现参照示意图，并结合齿轮传动系统的测试实例，来说明此监测方法的实施以及该信号处理技术的应用。

1)装置的组成

如图1所示，本实施例的机械设备是由杭州星辰科教设备有限公司生产的GLS-Ⅱ型齿轮效率测试系统，并采用UBOX-20016爆破振动记录仪来采集设备的振动信号。

该齿轮效率测试系统的转速可以通过“转速调节旋钮”实现灵活的调节，系统的输出扭矩则利用力臂上放置的砝码数量来调节，可以在0—8个砝码之间变化，每个砝码的重量为1kg。挂钩上的砝码数量乘上悬臂长度就是传动系统的输出扭矩。该齿轮传动系统输入扭矩和转速可以通过厂商提供的软件监测系统进行采集。

在不同的外载(扭矩)和工作转速下，机械传动系统的振动存在相应的差异与变化。本实施例的目的就是要建立振动信号时域特征参数与传动系统工作参数之间的联系，最终实现由实测振动信号的分析来预测机械系统的工作状态与动态工作参数的变化。为此，采用四通道爆破振动记录仪UBOX-20016和计算机组成的监测系统来采集传动设备的振动信号。爆破振动记录仪由图1中所示的四个测点的振动测量传感器3、多通道信号采集模块6、多通道信号无线传送模块(或有线发送模块)7、多通道信号无线接收模块(或有线接收模块)8这些模块构成。所述四个测点的传感器分别是安装在齿轮减速箱体两侧各一只水平传感器，在力臂两侧的两只垂直传感器，如图1所示。

2)振动信号的测量

图2是在空载情况下，转速为594rpm，采样率为20kHz时实测得到的部分四通道振动信号的时域波形图。

本实施例共进行14次测试，分别采用10kHz和20kHz两种采样率采集振动信号。其中第1次～第12次为完整测试，第13次为静态测试，第14次是空载测试。表1是采样率为10kHz的部分测试转速、扭矩测量汇总数据表。

3)振动信号的基元分段处理

利用“吕苗荣、古德生、彭振斌.语音信号基本处理单元的选择与应用.《2007通信理论与技术新发展——第十二届全国青年通信学术会议论文集(上册)》,2007年”，以及“吕苗荣、周琳、王丽、马玉明、王茜、徐堪社.石油工程准周期性振动信号的新处理方法.石油钻探技术.2009年9月第37卷第5期”介绍的基元分段方法进行信号分段处理，图3就是图2中No4(即第四通道信号)为例进行实际的分段确定方法，图4是将分段信号汇总到一起后显示的结果，将这些分段后的信号称为基元振动信号。显然，这样的划分既体现了信号的典型特征，实现同类信号成分的聚类及干扰排除，又能够将分段信号之间的重叠成分降到最低。分析表明，图4中每个信号段长度代表了该振动信号主要振动成分的周期，即齿轮传动系统输出轴的转速。本实施例将所有采集得到的信号进行了信号的基元分段处理。

4)信号分离处理

分析表明，振动信号主要由传动系统基础振动，齿轮系统机体振动，各运动部件之间的撞击、摩擦，以及齿轮啮合刚度变化引起的振动组成，这些信号成分存在着明显的频段特征。例如，传动系统的基础振动主要是试验台的低频振动，齿轮系统整个机体的振动频率也比较低，而运动件之间撞击、摩擦激发的振动频率最高；齿轮啮合也具有非常明显的特征频率。这些成分在时域上存在明显的差异，可以利用这些差异对振动信号进行合理的分离处理。

采用文献“吕苗荣，陈志强.监测识别钻井泵冲击振动信号的新方法[J].长江大学学报(理工卷)，2010，7(2)：58-61”介绍的高阶信号平滑处理方法对这些信号进行合理分离。将信号分离成为两大类：基础与系统整机的中低频振动信号(TNH类信号)，以及齿轮啮合撞击、摩擦等高频振动信号(BOD信号)，图5就是将图2的No4通道进行信号分离的结果。

5)分段时域信号统计

在完成振动信号分段与信号的分离处理后，采用文献“张键编著.机械故障诊断技术.机械工业出版社，2008年9月”中介绍的方法计算得到每一类、各分段基元信号的平均值、均方值、峰值指标、脉冲指标、裕度指数、歪度指数、峭度指数等时域参数数值，并将这些参数与对应的分段长度(基元周期)、转速、扭矩、输入功率、输出功率等信息一起进行汇总整理，表2就是10kHz采样率下第3次测试6个砝码分段基元信号的统计结果汇总实例。

6)信号时域参数统计分析

本实施例通过分析齿轮传动系统大量的振动信号数据，获得了规律性的统计结果，具体介绍如下：

(1)不同工况下齿轮传动系统振动信号的有效值与绝对均值之间呈强烈的线性关系。图6是采样率为10kHz时的第4、5次测量获得的所有TNH振动信号的统计结果。

在不同的工况下，振动信号的统计结果具有很好的线性相关性。例如，图6中如果将椭圆1、2、3中的数据点进行回溯就可以获得如图7(a)、(b)、(c)依次所示的各数据点对应的基元振动信号。从图上可以看出，振动信号的波动幅度越大，波动周期越短，绝对均值和有效值数据散点在图6中的位置就越往上偏移。第2类信号与第1类相比较，信号振动主频的周期没有改变，但原来一大一小的峰值转变为两个峰值相当的情况，并且在峰值之间夹杂了小幅的振动，导致数据点对整体偏移原来的直线。测试表明，峰值之间的小幅振动是运动件的跳动撞击引起的。而第3类信号是由于齿轮旋转周期接近系统固有周期后，共振导致的强烈撞击结果。

分析图6的散点图还可以发现，齿轮传动系统的转速、扭矩不同，对应的绝对平均值与有效值的散点聚集区域也各不相同，存在着明显的散点分布差异。表3罗列了部分测量结果的绝对平均值和有效值线性回归统计结果。从表3上可以看出，不管是齿轮系统的机体振动，还是摩擦、撞击和啮合振动，绝对均值和有效值之间都具有非常好的相关性。

(2)在工况较为稳定的条件下，绝对均值—峰值、有效值—峰值之间也存在较好的线性相关性，在不同的测量条件及设备工况下可以建立相应的线性方程。

(3)分析表明，歪度指标与峭度指标之间存在较好的非线性关系，图8就是不同通道齿轮传动系统齿轮啮合、撞击、摩擦等高频振动混叠信号歪度指标与峭度指标的散点分布图。在不同的工况和工作参数下，歪度指标和峭度指标之间的变化趋势可以用一组非线性方程来描述。在相同的环境条件下，齿轮传动系统的振动参数时域统计结果具有很好的可重复性；不同的工作参数下振动参数的统计结果变化规律相似，但描述参数各有差异。表4就是其中的部分歪度指标与峭度指标散点数据的二次多项式统计回归结果。

(4)峰值指标—峭度指标或峰值指标—歪度指标之间也有较好的非线性关联性，也可以较好地反映齿轮传动系统的工作状态。图9就是齿轮传动系统的基底与齿轮系统低频振动信号与中高频振动信号的绝对均值与峭度指标之间数据点对的汇总统计结果。从图9上可以看出，基底与机体的低频振动信号的峭度指标明显大于中高频振动信号的峭度指标统计结果，两者在纵轴数值1.9上下存在明显的界限，上部属于基底振动，下部属于中高频啮合摩擦和撞击振动。而且越是撞击振动强度大的振动，中高频振动信号成分的绝对均值也越大。

(5)通过对测量获得的振动信号进行时域参数统计分析可以得出，实测振动信号的时域参数统计结果主要反映的是齿轮传动系统中低频振动信号成分的时域特征，而不能表征撞击、摩擦和齿轮啮合激发等高频振动信号成分的时域特征。因此，从实测振动信号时域参数统计结果中很难获得对应摩擦、冲击引起振动的信息，而只能够从摩擦、冲撞过程中引起的明显不对称机体低频振动信号中，估测得到这些可能的振动。显然，直接利用中高频振动信号进行摩擦、冲撞信号的监测要优于信号成分未分离的实测振动信号时域参数统计结果。

通过以上的分析表明，齿轮传动系统振动信号各时域统计参数之间存在着复杂的关联特性，某些参数的关联性十分稳定，如本齿轮传动测试系统的绝对均值与有效值、歪度指标与峭度指标、绝对均值—峰值、有效值—峰值等，只要知道某一参数就可以预测得到其他参数的数值，因此在一定条件下可以减轻部分计算的工作量。同时，这些参数之间的分布规律往往与设备工况之间存在着稳定而紧密的联系，完全可以通过基元振动信号的分析测试来确定设备的工作状况。

6)利用振动信号时域参数进行齿轮系统工作参数的预测

分析表明，本实施例的齿轮传动系统在一定的输出功率、输入转速和输入扭矩下，其输出扭矩和振动信号时域参数之间存在着明显的关联特性，而且这种变化也具有良好的可重复性。由于可以通过对振动信号的基元分段处理来获得齿轮传动系统的输入转速，因此，完全可以利用振动参数的变化来确定该系统的输入(或输出)扭矩。

首先通过对实测信号分离后的基底与机体振动信号成分，以及齿轮啮合摩擦、撞击等信号进行分离，并对测试信号，以及分离后的振动信号进行时域参数统计，得到部分统计汇总结果参见表5。从表5可以看出，实测信号和基底、机体振动信号的绝对均值数值几乎相同，因此在不做任何分离情况下的直接统计结果，实际上反映的就是机械设备基底和机体的低频振动。

图10中的(a)(b)分别是采样率10kHz和20kHz的“啮合冲磨信号—基底、机体振动—输入功率”的三维散点图。从图10上可以看出，尽管由于在试验过程中工作参数的调整存在一定的差异，但不管是10kHz采样率还是20kHz采样率，获得的三维散点图十分相似，具有很好的可比性和可重复性。利用上述结果，可以建立齿轮系统输出扭矩(或砝码数量)的简单预测模型，步骤如下：

(1)建立“啮合冲磨信号—基底、机体振动—……—转速—输入功率”多维空间时域参数散点数据对统计结果汇总表。

(2)从实测振动信号中计算得到相应的“啮合冲磨信号—基底、机体振动—……—转速—输入功率”多维空间时域参数散点数据对统计结果。

(3)计算实测统计结果和库表记录之间的多维欧氏空间距离，比较获得距离最佳的匹配预测结果。

本实施例采用这样的方法，将10kHz的时域参数统计结果以“啮合冲磨信号—基底、机体振动—转速—输入功率”四维空间格式整理，然后再进行20kHz振动信号的时域参数统计，以及匹配预测计算。对测量参数十分接近的、对应测量序号为9、10、11、12四组测试的统计结果为：输入扭矩相对误差为0.7％，功率预测误差为0.9％，砝码数量预测误差为10.7％。显然，如果将其它时域统计参数(如有效值、峭度指标等)也纳入多维空间系统，可以获得更为准确的匹配预测结果。

本实施例的机械设备工况监测与故障诊断方法，

(1)充分利用机械设备运转过程中振动信号的周期性特点，将信号进行基元分段处理，在此基础上开展振动特征参数的统计分析，以提取设备运转的各种信息。齿轮传动系统振动信号的基元周期等于传动轴转动一周所需的时间。

(2)齿轮传动系统振动信号的频率成分与振源之间具有良好的对应关系，低频成分对应系统基底振动与机体整体的振动；中高频成分对应齿轮的啮合振动，而高频成分则是由摩擦、冲击、磨滑等因素激发的振动，不同的频率成分对应不同的工作状态。

(3)为了提取齿轮传动系统的工作特征参数，应当将齿轮传动系统振动信号进行合理的分离，采用高阶平滑方法可以很好地实现各种频率成分振动信号的合理分离处理。

(4)实测振动信号的时域统计结果只能够反映齿轮传动系统的基底及机体整体的低频振动，而不能够很好地揭示齿轮啮合、冲磨等运动状态信息。因此，应当将振动信号按不同的频率成分进行合理的分离，这是系统、全面的提取机械设备运转信息的基础。

(5)对分离后的信号进行基于基元分段的时域多参数统计，可以提取得到反映齿轮传动系统运动状态的丰富信息。分析表明，采用双时域参数或多时域参数散点分布规律的分析，能够更为准确地获得系统运动的各种信息，而且获得的结果更加稳定可靠。

通过本实施例的分析获得了齿轮传动系统在不同工况下绝对均值—有效值、绝对均值—峰值、有效值—峰值，以及歪度指标—峭度指标之间规律的定量化表示，在基元信号波形特征与时域参数散点分布特征之间建立了很好的对应描述。另外，从齿轮传动系统振动信号不同频率成分的时域参数统计结果显示，不同频率成分或工作状态下多时域参数散点具有明显特征空间分布。

尽管在不同时间测量得到的波形信号千差万别，但分离信号基于基元分段处理后的时域参数统计结果具有良好的可重复性。本实施例利用振动信号时域参数统计模型，较为满意地实现了齿轮系统工作参数的合理预测。

表1采样率为10kHz的部分转速、扭矩测量汇总数据表

表210kHz采样率下第3次测试6个砝码分段信号统计结果汇总实例

表3实施例中绝对平均值与有效值部分统计回归结果

表4不同工作参数下歪度指标与峭度指标二次回归结果

表5实施例中振动信号时域参数统计结果汇总

Claims (3)

1.一种机械设备工况监测与故障诊断方法，其特征在于，包括以下步骤：

①振动信号采集：采用信号记录仪对机械设备的振动信号进行采集、调理、放大与显示；

②信号基元分段：对采集得到的振动信号进行显示、分析，初步确定信号的基元周期；然后对所述振动信号进行基元分段处理；

③信号分离与分类：对步骤②得到的基元信号的不同成分进行高阶平滑分离，以便得到不同频段的代表各种特征现象的分离信号；

或采用模式滤波法进行信号的滤波计算，实现不同信号成分的分离处理，并对滤波得到的归类时频子波进行信号重构，由此获得分离后代表各种特征现象的分离信号；

④分离信号参数统计：对步骤③中获得的所述代表各种特征现象的分离信号进行绝对均值、有效值、峭度指标和歪度指标的统计计算；

⑤双参数分布显示：不同工况下的机械设备振动信号，以及所述代表各种特征现象的分离信号在“绝对均值—有效值—峭度指标—歪度指标”多维参数空间内散点的分布会在特定的区域上聚集，形成特定的状态空间；通过降维处理，对所述代表各种特征现象的分离信号分别在“绝对均值—有效值”、“绝对均值—峭度指标”、“峭度指标—歪度指标”双参数平面上进行散点显示；

⑥机械设备运动的状态矩阵的构建：正常情况下机械设备振动信号及所述代表各种特征现象的分离信号的“绝对均值—有效值”统计显示结果集中于一条直线上或附近，如果偏离了这一直线，说明机械设备存在异常的振动，或者是机械设备工况发生了变化；同时，不同工况下所述代表各种特征现象的分离信号在“绝对均值—有效值”、“绝对均值—峭度指标”、“峭度指标—歪度指标”上也会有相应的变化，都有其特定的双参数平面分布位置和形式，并且对应着特定的振动信号波形；根据所述代表各种特征现象的分离信号的时域参数分布、信号波形特点，结合信号的基元周期，形成机械设备运动的状态特征矩阵，在该状态矩阵中包含了设备运动的各种定性识别信息；

⑦在实时监测过程中根据实测振动信号的时域参数分布、信号波形特点，结合信号的基元周期，对实测振动信号进行所述步骤②③④的处理与统计分析，获得机械设备运转过程中某一时刻的状态向量；将该向量与步骤⑥所述的状态特征矩阵中的特征向量进行比对来实现机械设备工况的监测与故障诊断；

⑧利用步骤④获得的所述代表各种特征现象的分离信号的参数统计结果，建立机械设备工作状态、工作参数与分离信号时域统计结果之间的定量关系模型；

⑨在实时监测过程中利用步骤④获得的所述代表各种特征现象的分离信号时域参数统计结果，代入到步骤⑧建立的定量关系模型中，实现机械设备工况检测、故障诊断与工作参数的定量预测、预警及预报。

2.根据权利要求1所述的机械设备工况监测与故障诊断方法，其特征在于，步骤③中应用高阶平滑和/或模式滤波分离的方法，对实测振动信号进行合理、完整的分离处理，以便获得反映机械设备各种类型振动的特征信号。

3.根据权利要求1所述的机械设备工况监测与故障诊断方法，其特征在于，经过步骤②后，还能通过步骤②得到的信号基元对信号成分进行聚类、干扰的识别与抑制处理，以及信号基元周期的提取，用于进行辅助诊断。