CN114739669A - 基于太赫兹雷达的滚动轴承状态监测方法及装置 - Google Patents

Abstract

公开了基于太赫兹雷达的滚动轴承状态监测方法及装置，方法中，使用太赫兹雷达采集不同状态滚动轴承在不同工况下的振动信号，其中，太赫兹雷达向滚动轴承的轴承座发射线性的发射信号以及收到由轴承座和周围环境物体反射的回波信号；回波信号与发射信号进行混频得到中频信号，基于所述中频信号提取得到相位振动信号；预处理所述相位振动信号且将所述相位振动信号划分为训练集、验证集和测试集，并输入深度神经网络模型进行训练和测试，将测试集输入训练好的深度神经网络模型测试输出滚动轴承状态信息及剩余寿命。

Description

基于太赫兹雷达的滚动轴承状态监测方法及装置

技术领域

本发明属于滚动轴承检测技术领域，尤其涉及一种基于太赫兹雷达的滚动轴承状态监测方法及装置。

背景技术

滚动轴承在机械设备中应用极为广泛，也是最易损坏的元件之一，对滚动轴承故障进行有效诊断和预测是长期以来故障诊断领域的热门问题。滚动轴承的状态监测主要包括信号的获取与处理两个阶段。目前，用于滚动轴承状态监测的信号通常是滚动轴承工作中产生的振动加速度信号，常用的方法是将加速度传感器安装在轴承座外表面，然后连接数字信号采集设备，进行振动信号的采集。这种方法的缺点是对环境的要求较为苛刻，某些设备可能不具备安装加速度传感器的条件，或某些环境下加速度传感器不能正常工作。传统的信号处理方法需要根据故障的类型、工况、测试环境等因素，人为选择需要识别的故障特征及对应的信号处理方法，极其依赖经验积累以及对不同类型滚动轴承故障内在机理的了解，同时也限制了传统状态监测方法的效果。

传统的振动测量方法有：以加速度传感器与应变片为代表的接触式振动测量方法，和以激光多普勒测振仪和视觉测振系统为代表的非接触式振动测量方法。但是这些传统方法都具有一定的局限性：(1)测点数庞大，一般都需要大量的仪器设备准备和线路排布，费时费力，而且多数仪器设备难以找到合适的测量点进行测量；(2)对于振动频率为超低频，对微弱振幅来说，难以测量并且测量结果不够精确；(3)对于激光多普勒测振仪和视觉测振系统，需要较为理想的测量环境，但设备大多数都工作在恶劣环境中，难以在理想的测试环境下实施；(4)难以实现全天候监测设备的运行状态以及故障预警功能，测试效率相对低下；(5)接触式的加速度传感器，需要粘贴在被测物体表面，会对被测物体的振动产生影响，对轻质物体测量效果极差。此外，还有激光测量振动、超声测量振动、红外传感器测量、微波雷达测振等方法，都有不足之处。激光振动测量和红外传感器容易受到外界环境的干扰，超声测量振动受工作距离限制，微波雷达的距离分辨能力太低，而且波长较高对极细微的相对位移变化难以测量，不适合对微动目标进行振动监测。本专利提出的基于太赫兹雷达的滚动轴承状态检测感算一体化研究，太赫兹雷达具有独特的优势，主要有：(1)太赫兹雷达体积小，尤其是天线的孔径会大大减小，可以方便做到集成化，小的天线孔径可以得到窄波束、方向性好、以及极高的空间分辨率，且测试操作简单；(2)可以达到高距离分辨能力，且太赫兹对微多普勒特征敏感，能够测量到更加细微的相对位移变化，利于微动目标的特征分析，测量更精确；(3)测试环境要求不严格，穿透烟雾和灰尘的能力更强，且不受极端天气的影响，能够全天候工作；(4)对尺寸较小的目标同样能起到定位和振动监测的效果；(5)对于环境温度较高的场合，温度会影响传统测量方法的精度，太赫兹雷达探测由于采用非接触探测，而且温度不会对太赫兹回波造成影响。

传统的滚动轴承振动信号处理技术虽然可以对滚动轴承故障的一些典型故障进行诊断，但是随着滚动轴承的结构越来越复杂，故障的位置和形态也逐渐多样化，这使得对滚动轴承的故障类型识别及故障预测变得更加困难。滚动轴承的性能退化特征与实际振动信号特征之间的关系也十分复杂，传统的滚动轴承退化特征提取方法同样高度依赖于预先研究和专业知识，很难构建一个单一的指标或使用较少的几个指标用来进行滚动轴承的剩余寿命预测。基于卷积神经网络的滚动轴承状态监测感算一体化只需要搭建好网络、输入原始数据就可以自主学习故障信号的特征，不需要人为提供特征信息，对经验积累及故障机理的依赖极低，弥补了传统故障诊断方法缺点的同时，还具有超过传统故障诊断方法的精度。

在背景技术部分中公开的上述信息仅仅用于增强对本发明背景的理解，因此可能包含不构成本领域普通技术人员公知的现有技术的信息。

发明内容

本发明的目的是提供一种基于太赫兹雷达的滚动轴承状态监测方法及装置，在不接触设备的情况下，远距离采集轴承的振动信号，高效地对太赫兹雷达采集的滚动轴承振动信号进行处理，进而实现其状态监测的感算一体化。

为了实现上述目的，本发明提供如下技术方案：

本发明的一种基于太赫兹雷达的滚动轴承状态监测方法包括：

第一步骤，使用太赫兹雷达采集不同状态滚动轴承在不同工况下的振动信号，其中，太赫兹雷达向滚动轴承的轴承座发射线性的发射信号以及收到由轴承座和周围环境物体反射的回波信号；回波信号与发射信号进行混频得到中频信号，基于所述中频信号提取得到相位振动信号；

第二步骤，预处理所述相位振动信号且将所述相位振动信号划分为训练集、验证集和测试集，并输入深度神经网络模型进行训练和测试，得到测试结果中预测最优的模型参数，其中，不同状态滚动轴承采集到的相位振动信号输入到待训练的深度神经网络模型中，对其进行特征提取，其中，针对一维信号的ResNet18网络模型包括一个一维卷积层，一个Batch Normalization层和一个Max-pooling层、四个残差块和3个相同的网络结构以及在残差块之后为一个Average pooling层、一个FC层以及Softmax函数；

第三步骤，将测试集输入训练好的深度神经网络模型测试输出滚动轴承状态信息及剩余寿命。

所述的一种基于太赫兹雷达的滚动轴承状态监测方法中，不同工况下包括转速分别为500rpm、1000rpm、1500rpm、2000rpm的五种工况。

所述的一种基于太赫兹雷达的滚动轴承状态监测方法中，不同状态滚动轴承包括正常、内圈轻微故障、内圈严重故障、保持架断裂、外圈轻微故障、外圈严重故障以及自然磨损七种状态的滚动轴承。

所述的一种基于太赫兹雷达的滚动轴承状态监测方法中，第一步骤中，发射信号为太赫兹波段的调频连续波。

所述的一种基于太赫兹雷达的滚动轴承状态监测方法中，第一步骤中，太赫兹雷达连续发射线性的调频连续波，其为：

其中f_c为雷达发射的中心频率，范围是太赫兹波段，B为雷达的带宽，T为线性调频的周期，a₀为发射信号的幅值，j为虚数单位，t为时间；回波信号为：

其中R为滚动轴承距雷达的距离，c为真空中的光速，t_d为接收到信号的时间延迟，k为接收信号的衰减系数，

经过混合以及滤波后的中频信号为：

b(t)为频率为f_b、相位为φ_b的正弦信号，其中：

所述的一种基于太赫兹雷达的滚动轴承状态监测方法中，第二步骤，预处理所述相位振动信号中，物体位移距离为ΔR，连续测量之间的相位变化量为：

对雷达获得的原始回波信号数据进行数模转换后，再进行快速傅立叶变换以获取距离数据；通过雷达与滚动轴承的位置关系确定目标的距离范围，在所述距离范围内搜索所述距离数据；

根据公式

得到

以获得目标的位置，f_s是采样频率，n_samples是采样点数，n_bin是波形峰值的位置，波峰是目标的反射，

探测帧周期为T，每隔时间T提取一次目标的相位，持续n次探测帧得出相位随帧数的取值变化，目标相位变化与时间的关系记做振动信号x(t)。

所述的一种基于太赫兹雷达的滚动轴承状态监测方法中，相位在[-π，π][-π，π][-π，π]之间，每当连续值之间的相位差大于或小于±π时，通过从相位中减去2π来执行相位展开，相位展开之后得到的相位信息，对相位信息进行傅里叶变换得到的傅里叶变换数据作为神经网络的输入。

所述的一种基于太赫兹雷达的滚动轴承状态监测方法中，Batch Normalization层为批归一化层，Max-pooling层为最大池化层，Average pooling层为平均池化层，FC层为全连接层。

一种实施所述的一种基于太赫兹雷达的滚动轴承状态监测方法的监测装置包括，

滚动轴承，其连接轴承座；

至少一个太赫兹雷达，其朝向所述滚动轴承；

计算机，其连接所述太赫兹雷达，其包括所述深度神经网络模型。

上述技术方案中，本发明提供的一种基于太赫兹雷达的滚动轴承状态监测方法，具有以下有益效果：本发明实时在线监测滚动轴承状态并进行故障诊断、寿命预测的方法，实现设备的不停机监测。利用太赫兹独有的优势对滚动轴承的振动信号进行测量，与传统测振方法相比具有非接触测量、在线监测的优点；与毫米波雷达等相比，测量结果更精确，效率更高。针对现存的测振方法工艺复杂，工作环境要求严格，不能实现全天候检测，测量准确率低，测量效率低等问题，利用太赫兹超高的距离分辨能力，对微多普勒特征敏感，能够测量到更加细微的距离变化，可对微动目标进行多普勒特征分析；不受极端天气的影响，能够全天候工作；体积小，高度集成化；提供极窄天线波束，可获得更高天线增益和更好的角度分辨力等优势。传统的滚动轴承状态监测方法是利用传感器探测轴承座的振动信号，针对获取的信号作进一步的信号分析处理，效率低下而且也不能准确检测发生故障的部位以及难以衡量发生故障的程度。本发明利用卷积神经网络分析太赫兹雷达得到的轴承振动信号，可以准确判断滚动轴承的状态，对滚动轴承发生的故障进行识别，并进行寿命预测。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。

图1为本发明中基于太赫兹雷达的滚动轴承状态监测方法的一个实施方式的流程示意图；

图2为本发明中基于太赫兹雷达的滚动轴承状态监测方法的一个实施方式的ResNet18网络模型的结构的示意图；

图3为本发明中基于太赫兹雷达的滚动轴承状态监测方法的监测装置的一个实施例的结构示意图。

具体实施方式

为使本发明实施方式的目的、技术方案和优点更加清楚，下面将结合本发明实施方式对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。

因此，以下对在附图中提供的本发明的实施方式的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的设备或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

在本发明中，除非另有明确的规定和限定，第一特征在第二特征之“上”或之“下”可以包括第一和第二特征直接接触，也可以包括第一和第二特征不是直接接触而是通过它们之间的另外的特征接触。而且，第一特征在第二特征“之上”、“上方”和“上面”包括第一特征在第二特征正上方和斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”包括第一特征在第二特征正下方和斜下方，或仅仅表示第一特征水平高度小于第二特征。

为了使本领域的技术人员更好地理解本发明的技术方案，下面将结合附图1至图3对本发明作进一步的详细介绍。

本发明对滚动轴承进行的状态检测包括故障类型识别以及寿命预测。滚动轴承常见的故障类型主要有：点蚀、磨损、胶合、断裂、锈蚀、电蚀以及塑性变形。点蚀是在交变载荷的作用下，表面之间产生的循环接触应力造成的，属于滚动轴承的正常，不可避免的失效形式。磨损故障主要是由于润滑不良引起的。胶合故障的发生的原因除了润滑不良外，还包括重载、高速、高温等。这三种故障是滚动轴承故障中最常见也最具代表性的。目前使用较多的滚动轴承寿命预测的方法主要分为基于统计分析的寿命预测方法及基于状态监测的寿命预测方法。后者是目前研究的热点方向。基于统计分析的滚动轴承寿命预测方法的发展与对轴承故障的认识是相辅相成的。针对不同的轴承故障类别，有不同的轴承寿命理论。基于统计分析的方法可以反映轴承寿命分布的一般规律，但需要对轴承进行大量的试验进行数据的积累，且实际中轴承工况复杂多变，寿命分布差异性很大，很难针对小批量轴承进行有效的寿命预测。基于状态监测的轴承寿命预测的研究，是在已经观察到轴承出现劣化特征时，通过估计其剩余寿命来进行有效的维护以避免突发故障。具体方法为利用多传感器技术进行采集反应设备运行状态的信号数据，通过现代信号处理技术提取退化特征信息，最后建立合适的退化模型实现轴承的剩余寿命预测。

太赫兹波是指频率在0.1～10THz波段内的电磁波，位于红外线和微波的频段范围之间，处于宏观电子学向微观光子学的过渡阶段，其能量大小在电子和光子之间，因此与其它频段的电磁波相比具有很多独特性质，例如：高频段、高带宽等等。与传统的微波和毫米波相比，太赫兹的波长远小于微波和毫米波，可以用于探测更小的目标和更精确的定位，因高频段与高带宽的特点，意味着太赫兹易实现大带宽信号，可以形成超高的距离分辨能力，对微多普勒特征敏感，能够测量到更加细微的距离变化，利于微动目标的多普勒特征分析；能够提供极窄天线波束，可获得更高天线增益和更好的角度分辨力，比低频率的微波雷达和毫米波雷达表现更好。

太赫兹雷达具有体积小的优点，尤其是天线的孔径会大大减小，可以方便做到集成化，小的天线孔径可以得到窄波束、方向性好、以及极高的空间分辨率；另一方面，虽然分辨率不如红外雷达和激光雷达，但是穿透烟雾和灰尘的能力更强，且不受极端天气的影响，能够全天候工作。

振动测量通常是微幅运动，通过测量振动引起的距离变化常要求非常大的带宽，太赫兹雷达的优势由此显现。太赫兹雷达发射线性频率调制的电磁波信号并接收待测目标和周围环境物体反射的回波信号，对微弱振动可以精确地测量。

相比于毫米波，太赫兹雷达能够提供极窄天线波束，可获得更高天线增益和更好的角度分辨力；毫米波不具有太赫兹高频段和高带宽的特点，毫米波雷达难以形成超高的距离分辨能力，对极细微的变化很难测量，不适合微动目标的多普勒特征分析；毫米波雷达在雨、雾和湿雪等高潮湿环境工作的效果会衰减，且大功率器件和插损的影响也会降低毫米波雷达的探测距离。

如图1所示，监测方法包括：

首先由太赫兹雷达向目标轴承的轴承座发射线性的调频连续波；接下来太赫兹雷达接收到由轴承座和周围环境物体反射的回波信号；回波信号与发射信号进行混频，得到中频信号，对得到的中频信号进行预处理，提取出相位振动信号，并进行降噪滤波处理，减小周围环境和物体反射的信号的影响；将预处理之后的信号输入到提前训练好的深度学习神经网络，将滚动轴承的状态直接输出。

通过太赫兹雷达接收到回波信号，将该信号输送到PC端进行预处理，之后将预处理之后的信号输入到提前训练好的深度神经网络，本专利内容中深度神经网络以ResNet18为例进行说明，其结构如图2所示。

需使用太赫兹雷达预先采集一定数量的状态已知的滚动轴承振动信号对该模型进行训练，以供后续实时监测，包括以下步骤：

S1：分别使用太赫兹雷达采集不同状态滚动轴承在不同工况下的振动信号，在转速分别为500rpm、1000rpm、1500rpm、2000rpm的五种工况下，分别采集正常、内圈轻微故障、内圈严重故障、保持架断裂、外圈轻微故障、外圈严重故障以及自然磨损七种状态轴承的振动信号。

S2：将采集到的振动信号进行适当的预处理，将该信号划分为训练集、验证集和测试集后对神经网络模型进行训练和测试，保存测试结果中预测最优的模型参数作为预先训练模型供后续使用；

S3：将S1中的不同类型故障件采集到的信号输入到待训练的深度神经网络模型中，对其进行特征提取。所采用的针对一维信号的ResNet18网络模型首先是一个一维卷积层，一个Batch Normalization层和一个Max-pooling层；之后是四个残差块，每组残差块分别包含3个、4个、6个和3个相同的网络结构；在残差块之后为一个Average pooling层、一个FC层以及Softmax函数。未特别说明，激活函数均为ReLU函数。

S4：Batch Normalization层为批归一化层，其可以防止梯度消失和梯度爆炸，加快收敛速度；Max-pooling层为最大池化层；Average pooling层为平均池化层；FC层为全连接层；Softmax函数用于对输出结果进行分类。

太赫兹雷达工作如下：

S1：使用太赫兹波段的调频连续波(FMCW)雷达对目标进行探测。

S2：通过连续发射线性的调频连续波，并将回波与基波混频得到中频信号。由雷达发出的信号为：

其中f_c为雷达发射的中心频率，范围是太赫兹波段，B为雷达的带宽，T为线性调频的周期，a₀为发射信号的幅值。

S3：雷达接收物体反射的信号为：

其中R为目标距雷达的距离，c为真空中的光速，t_d为接收到信号的时间延迟，k为接收信号的衰减系数。

经过混合以及滤波后，雷达接受来自R范围内的物体信号为：

即对于单个对象，该接受信号b(t)为频率为f_b、相位为φ_b的正弦信号，其中：

对太赫兹雷达接收到的信号做预处理的步骤如下：

S1：为了能够测量滚动轴承的振动信号，需要依据测量得到的LFMCW信号的相位变化。若物体位移距离为ΔR，则连续测量之间的相位变化量为：

S2：距离维傅里叶变换：对雷达获得的ADC原始数据首先进行快速傅立叶变换以获取距离数据；

S3：通过雷达与目标的大致位置关系，可以确定目标的距离范围，通过在在该范围内搜索获取相对应的距离数据；

根据公式：

将其变形可以得到：

其中f_s是采样频率，n_samples是采样点数，n_bin是波形峰值的位置，波峰是目标的反射，通过该公式即可求得目标的位置。

S4：探测(帧)周期为T，即每隔时间T提取一次目标的相位。若目标与雷达的径向距离发生变化，则需要根据(3)算法得出此时的Range bin距离数据，之后再提取相位。持续n次(帧)探测，即可以得出相位随帧数(循环次数)的取值变化，也可以作是目标相位变化与时间的关系，记做振动信号x(t)。

S5：相位解缠：由于相位值在[-π，π][-π，π][-π，π]之间，而我们需要展开以获取实际的位移曲线。因此每当连续值之间的相位差大于/小于±π时，通过从相位中减去2π来执行相位展开，相位展开之后得到的相位信息，对相位信息进行傅里叶变换，将得到的傅里叶变换数据作为神经网络的输入。

如图3所示，一种实施所述的一种基于太赫兹雷达的滚动轴承状态监测方法的监测装置包括，

滚动轴承1，其连接轴承座2；

至少一个太赫兹雷达3，其朝向所述滚动轴承1；

计算机4，其连接所述太赫兹雷达3，其包括所述深度神经网络模型。

最后应该说明的是：所描述的实施例仅是本申请一部分实施例，而不是全部的实施例，基于本申请中的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其它实施例，都属于本申请保护的范围。

以上只通过说明的方式描述了本发明的某些示范性实施例，毋庸置疑，对于本领域的普通技术人员，在不偏离本发明的精神和范围的情况下，可以用各种不同的方式对所描述的实施例进行修正。因此，上述附图和描述在本质上是说明性的，不应理解为对本发明权利要求保护范围的限制。

Claims (9)

1.一种基于太赫兹雷达的滚动轴承状态监测方法，其特征在于，其包括以下步骤：

第一步骤，使用太赫兹雷达采集不同状态滚动轴承在不同工况下的振动信号，其中，太赫兹雷达向滚动轴承的轴承座发射线性的发射信号以及收到由轴承座和周围环境物体反射的回波信号；回波信号与发射信号进行混频得到中频信号，基于所述中频信号提取得到相位振动信号；

第二步骤，预处理所述相位振动信号且将所述相位振动信号划分为训练集、验证集和测试集，并输入深度神经网络模型进行训练和测试，得到测试结果中预测最优的模型参数，其中，不同状态滚动轴承采集到的相位振动信号输入到待训练的深度神经网络模型中，对其进行特征提取，其中，针对一维信号的ResNet18网络模型包括一个一维卷积层，一个Batch Normalization层和一个Max-pooling层、四个残差块和3个相同的网络结构以及在残差块之后的一个Average pooling层、一个FC层以及Softmax函数；训练过程中，批大小为64，每1024个点作为一个样本，学习率为0.001，迭代轮次为40；

第三步骤，将测试集输入训练好的深度神经网络模型，深度神经网络模型通过训练好的参数将输入信号按照滚动轴承状态或剩余寿命进行分类，将对应相同滚动轴承状态或相近剩余寿命的振动信号分为同一类型，最后输出滚动轴承的分类情况。

2.根据权利要求1所述的一种基于太赫兹雷达的滚动轴承状态监测方法，其特征在于，优选的，不同工况下包括转速分别为500rpm、1000rpm、1500rpm、2000rpm的五种工况。

3.根据权利要求1所述的一种基于太赫兹雷达的滚动轴承状态监测方法，其特征在于，不同状态滚动轴承包括正常、内圈轻微故障、内圈严重故障、保持架断裂、外圈轻微故障、外圈严重故障以及自然磨损七种状态的滚动轴承。

4.根据权利要求1所述的一种基于太赫兹雷达的滚动轴承状态监测方法，其特征在于，第一步骤中，发射信号为太赫兹波段的调频连续波。

5.根据权利要求4所述的一种基于太赫兹雷达的滚动轴承状态监测方法，其特征在于，第一步骤中，太赫兹雷达连续发射线性的调频连续波，其为：

其中f_c为雷达发射的中心频率，范围是太赫兹波段，B为雷达的带宽，T为线性调频的周期，a₀为发射信号的幅值，j为虚数单位，t为时间；回波信号为：

其中R为滚动轴承距雷达的距离，c为真空中的光速，t_d为接收到信号的时间延迟，k为接收信号的衰减系数，

经过混合以及滤波后的中频信号为：

b(t)为频率为f_b、相位为φ_b的正弦信号，其中：

6.根据权利要求5所述的一种基于太赫兹雷达的滚动轴承状态监测方法，其特征在于，第二步骤，预处理所述相位振动信号中，物体位移距离为ΔR，连续测量之间的相位变化量为：

对雷达获得的原始回波信号数据进行数模转换后，再进行快速傅立叶变换以获取距离数据；通过雷达与滚动轴承的位置关系确定目标的距离范围，在所述距离范围内搜索所述距离数据；

根据公式

得到

以获得目标的位置，f_s是采样频率，n_samples是采样点数，n_bin是波形峰值的位置，波峰是目标的反射；

探测帧周期为T，每隔时间T提取一次目标的相位，持续n次探测帧得出相位随帧数的取值变化，目标相位变化与时间的关系记做振动信号x(t)。

7.根据权利要求6所述的一种基于太赫兹雷达的滚动轴承状态监测方法，其特征在于，相位在[-π，π][-π，π][-π，π]之间，每当连续值之间的相位差大于或小于±π时，通过从相位中减去2π来执行相位展开，相位展开之后得到的相位信息，对相位信息进行傅里叶变换得到的傅里叶变换数据作为神经网络的输入。

8.根据权利要求1所述的一种基于太赫兹雷达的滚动轴承状态监测方法，其特征在于，Batch Nomalization层为批归一化层，Max-pooling层为最大池化层，Average pooling层为平均池化层，FC层为全连接层。

9.一种实施权利要求1-8中任一项所述的一种基于太赫兹雷达的滚动轴承状态监测方法的监测装置，其特征在于，其包括，

滚动轴承，其连接轴承座；

至少一个太赫兹雷达，其朝向所述滚动轴承；

计算机，其连接所述太赫兹雷达，其包括所述深度神经网络模型。

Images