本文是一篇电气工程论文，本文紧扣传统的共振解调算法，探究由FPGA替代CPU执行计算的可行性，基于Zynq-7000系列的AX7020及AD7606数据采集模块，设计了实时的滚动轴承故障诊断系统。
第一章 绪论
1.1 研究背景及意义
如今在对适应性、稳定性、灵活性的要求上数字信号处理技术都比较令人满意[1]，在加速老化测试、电磁兼容测试、机械测试以及汽车电子系统等领域都有广泛应用。采用FPGA实现的数字信号处理算法，可以基于Vivado。当然，若使用MATLAB实现将更加简明[2]。就目前接触到的，数字信号处理技术涉及到了数字滤波器的设计，如采用窗函数法设计非递归型(Finite Impulse Response, FIR)数字滤波器、快速傅里叶变换（Fast Fourier Transform, FFT）等。
滚动轴承的实时故障诊断，不仅便于尽早进行维修，也便于控制检修周期和次数。另外，与离线诊断相比，实时诊断可以在旋转设备运行的任意时刻进行，而无需等待机车停运时装卸部件检查，提高了监测效率，进一步保障机车安全运行。当前，一些发达国家主要以无线通信的方式为主对车辆整体系统进行状态监测，相较于发达国家，我国在机车故障诊断方面所做的工作则更为细致专一，但也需要大量的人工维修成本。从这个角度来讲，进行滚动轴承实时故障诊断是非常有必要的，并且对于未来机车整体的状态监测以及其他零部件的故障诊断是非常有借鉴意义的。
对滚动轴承振动信号的研究终究落实到数字电路的设计上，在此之前，要研究处理数字信号的相关算法。以往的ARM、DSP以其强大的数据处理能力和较高的运行速度在市场上不可或缺，近些年兴起的FPGA是一种能够模拟芯片的芯片，FPGA擅长各种控制，但遇到很多运算密集的场合还是要与DSP搭配。
1.2 国内外研究现状
就针对轴承故障诊断算法研究，我国该领域学者占主体性地位，研究程度最为深入，包括建立数学模型、利用大数据驱动提取振动信号一些相关的特征，甚至是专家系统和模式识别，其中，应该说模式识别是较为古典和成熟的，可能在自适应能力上不如前两种更加显著，但相关的信号处理算法更具有针对性和小范围适用性。就前两者而言，国外一些学者更多地是对车辆整体的一些相关数据进行监测并进行故障位置的诊断，而不局限于适用于轴承或齿轮故障振动信号的处理。甚至可以采用将多组算法进行组合的方式，进一步提高诊断的可靠性。国内相关学者主要引入谱峭度(Spectrum Kurtosis，SK)等其他相关信号处理算法从模式识别的角度对信号特征进行提取，当然，采用数据驱动和深度迁移的诊断算法也将越来越普遍[4-7]。
对故障特征提取的研究，主要有三个热门方法，即小波分析、Hilbert-Huang变换(HHT)以及经验模态分解(Empirical Mode Decomposition, EMD)，它们各有优势和局限。现如今，人们相继又提出了很多对之改进的算法，如东北石油大学丛等人[8]提出固有时间尺度分解，将信号分解为多个旋转分量和趋势分量，再进行时频分析和相关性分析，然后引入针对不同信噪比频带选择性较强的最小熵去卷积方法对重构信号进行降噪的方法，以此实现故障特征的提取。另外还有一些如奇异值分解、数学形态学的方法，总体来说，都只是为故障信号特征提取提供了参考。近年来随着人工神经网络的日趋成熟，人们相继又提出了基于CNN、RBF、PNN等神经网络算法来提取故障特征，甚至采用了对特征进行融合、基于注意力增强的深度卷积，如南昌航空大学李等人[9]通过EMD、变分模态分解(Variational mode decomposition, VMD)、小波分析来获得振动信号的高维模量以组成多通道样本用于训练。
第二章 滚动轴承故障特征分析与系统整体设计
2.1 滚动轴承故障特征分析
滚轴轴承的典型结构有外圈、内圈、滚动体(有球形、柱形或锥形等几种)以及作为旋转部件安装在机械设备上的保留架。如图2-1所示，这里仅以深沟球轴承为例，在高速电机中，一般采用圆锥滚子轴承、圆柱滚子轴承或者角接触球轴承[57]。
造成滚动轴承故障有内因和外因两个方面，内部因素通常指生产加工时的误差和运行时的随机故障，外部因素则通常指环境参数以及机车的载荷。在将轴承安装到机械的轴座上之后，机械运行时轴承外圈通常是固定的，同时内圈随轴转动，围绕着内圈的滚动体也随之转动且有相对的滑动。图2-2为轴承正向和切向示意图，图中轴承未加轴向载荷，因此接触角=0。实际上，对于圆柱滚子型滚动轴承和角接触球型滚动轴承，在承受轴向负荷时会产生的较大的接触角度。只是圆柱滚子轴承产生的接触角相对较小，其承受载荷能力比较一般。表2-1给出了图2-2中的主要参数及说明。
2.2 实验平台及测试轴承介绍
如图2-3所示，是本文所使用的实验平台，实验台的主要零部件已标示，在进行实验时还需要ICP型激光转速计以计算轴承转频，所选择的传感器为三轴加速度传感器电压型356A02，以测量轴承座的绝对振动。图2-4为其示意图。
本文使用的轴承为N205EM/NU205EM系列，这两种轴承可分别人为制造外圈和内圈故障，其对应的主要参数如表2-2及表2-3所示。假设转频n=60，即1rf=，由于此系列轴承为圆柱滚子轴承，接触角小于5º，可视为0，根据上小节式(2-3)和式(2-4)可依次计算出5.284opf =Hz，7.122ipf =Hz，也可由式(2-5)和式(2-6)计算滚动体以及保持架的故障特征频率。因此，对于具体故障的轴承，当轴承转轴转速确定后，轴承的故障特征频率也就得到了确定。
第三章 算法设计实现及IP复用 ............... 17
3.1 FIR共振解调子模块设计 ............................ 17
3.2 FFT频谱分析子模块设计 ..................... 22
3.3 FIFO数据缓存子模块设计 ............ 27
第四章 故障轴承仿真及实测信号分析 ....................... 39
4.1 外圈故障轴承信号频谱分析 .............................. 41
4.2 内圈故障轴承信号频谱分析 .......................... 42
4.3 滚动体故障轴承信号频谱分析 .............................. 45
第五章 资源与性能分析 ............................ 52
5.1 系统资源使用情况分析...................... 52
5.2 系统时序和性能分析 ............................ 54
第五章 资源与性能分析
5.1 系统资源使用情况分析
图5-1显示了对共振解调子模块优化前后所占用的Zynq资源对比，可以看出，当滤波模块的性能和实时性提高的同时，资源的利用率也在提高。在同样的性能前提下当然希望系统所占用的资源越少越好，但当实时性可以进一步提高时，只要将该模块的资源利用率控制在合理范围内即可，直至二者到达一种比较合理的平衡，以便为系统集成预留足够的资源。
本文的实时诊断系统基于Zynq7系列的FPGA，较为宝贵和易用尽的就是4.9Mb的BRAM资源，包括RAMB18和RAMB36两类库基元，一个RAMB36只能配置出一个18Kb的FIFO，存储数据和频谱分析会占用大量的BRAM资源，尤其是建立调试时ILA的使用，FFT的计算点数对资源消耗并不会有明显影响，而主要影响的是布局布线的方式，但使用ILA时，占用的资源与变换点数和观测数据的位数是成正比的。过高的资源利用率可能会导致时序出现违例，甚至布局布线失败。
第六章 总结与展望
6.1 工作总结
针对轴承故障诊断领域的研究，结合我国故障诊断仪现状，本文紧扣传统的共振解调算法，探究由FPGA替代CPU执行计算的可行性，基于Zynq-7000系列的AX7020及AD7606数据采集模块，设计了实时的滚动轴承故障诊断系统。信号处理部分是基于Vivado集成开发环境，通过Vivado对PL部分进行编程和设计，实现对振动信号进行采集、传输与滤波，对2019之后的版本，软件设计迁移到Vitis进行。涉及到信号采集模块对信号的实时采集，通过UART进行开发板与PC的数据通信，通过JTAG完成对芯片及其外围电路的在线调试。在人机交互界面的设计上，使用到的外设包括PS端的用户按键、LED，以及PL端的HDMI。通过将开发板的HDMI接至显示器，显示所采集的信号及处理后的信号，而通过中断，按键可实现对页面进行切换。
本文主要完成了以下几个方面的研究：
(1)查阅当前国内外与FIR与FFT计算通路设计相关的大量参考文献，在文献[56]和文献[59]的基础上，通过对FFT计算资源和存储资源优化，进一步提高了实时性能。
(2)引入SysGen和HLS两种设计方法，作为Vivado设计方法的先导和支撑，完善了采用EDA工具设计体系，并对EDA工具更新问题进行了反复验证和总结。
(3)将信号在线采集、包络解调、实时显示等进行资源整合和移植。在诊断系统各模块设计搭建完成以后，解决了一些庞大工程中的资源使用问题和亚稳态问题，对系统模块进行编译、整合，通过添加恒流源激励模块和AD模块，通过对不同单一型故障的轴承的信号采集，进一步验证了在Zynq-7000系列FPGA上完成轴承故障诊断系统设计的可行性。
(4)采取有量纲参数与无量纲参数结合判断进行
