滚动轴承故障信号提取方法的研究

滚动轴承的检测与故障诊断中主要应用的是振动分析法。采集轴承的振动信号,利用信号处理方法提取不同工作状态下信号的特征,通过这些特征,采用模式识别方法识别轴承状态,其中信号特征提取和状态识别是关键。本文研究了滚动轴承振动信号特征提取的主要方法。     

基于神经网络的滚动轴承故障监测

通过对滚动轴承振动信号的分析处理，提取反映轴承运行状态的特征参数组成特征向量，利用神经网络的函数逼近和记忆能力，实现滚动轴承运行状态的故障监测。     

面向多源传感器的滚动轴承多层自助最大熵法故障状态诊断

为了提高多种因素对滚动轴承故障诊断效果的影响，提出了一种面向多源传感器信号融合的滚动轴承多层自助最大熵法故障诊断方法。通过量化分析径向与轴向载荷、转速、温度参数引起的振动状态变化，为判断轴承性能与疲劳寿命提供了可靠的依据。研究结果表明：振动样本获得了几乎相同的概率密度函数，判断轴承振动特征主要与径向载荷存在较大关联。轴承载荷和转速对轴承振动状态产生了相近的效果。振动状态与径向载荷、转速、轴向载荷、温度之间的作用指标依次为0.742 6,0.291 4,0.292 6,0.243 7,判断轴承载荷度振动状态产生了最重要影响。该研究对滚动轴承早期故障排查以及运行稳定性优化具有很好的实际指导价值，也可拓宽到其它的机械传动领域。     

滚动轴承早期缺陷振动的简化模型

建立了滚动轴承早期缺陷振动的线性简化模型,依据该模型分析了滚动轴承早期缺陷引起振动的特性。理论分析和实际测量表明:滚动轴承早期缺陷激励出轴承的固有振动,产生了脉冲冲击波;非周期早期缺陷振动为正常振动信号叠加一个或几个离散脉冲冲击波,产生垃圾音,周期早期缺陷振动为正常振动信号叠加一串串周期脉冲冲击波,产生内圈伤音、外圈伤音或滚动体伤音;脉冲冲击波是滚动轴承早期缺陷引起的异常声的主要原因。     

基于机器视觉的滚动轴承振动检测方法

滚动轴承应用场景的工况较为严苛且其结构特殊，经常发生故障。常用振动信号检测方法来判断轴承现状，但已有方法无法直接提取轴承元件的振动信号，且存在信号干扰，安装也较为烦琐，不利于后续数据分析。为此提出了一种基于机器视觉的滚动轴承振动信号检测方法。利用高速相机获取了滚动轴承运行时的时间序列图像，通过图像处理获取了滚动轴承内圈特征坐标，建立了基于YOLOv3的滚动轴承深度学习识别模型，并对采集视频进行首帧预框选，提高了检测速度与准确性。最后搭建了滚动轴承振动检测试验台进行验证。测试结果表明，所提方法能够有效地检测滚动轴承内圈的振动信号，识别率达到99.4%以上，可根据信号峭度和轨迹分布有效区分滚动轴承故障。     

基于LabVIEW的滚动轴承缺陷在线智能检测系统

为了控制出厂轴承的质量,开发了一种基于LabVIEW的滚动轴承缺陷在线智能检测及分选系统。该系统由机械装置和控制系统组成,实现振动信号检测、智能分析和动作控制。系统采用工控机采集振动信号并智能诊断轴承缺陷,采用PLC实现动作控制。系统的振动信号采样与分析软件系统是基于LabVIEW实现的。实验结果及分析表明,缺陷检测系统可以有效地在线识别多种轴承早期缺陷。目前该系统已成功地应用在滚动轴承生产现场,连接于轴承自动装配线中。     

滚动轴承振动统计特性分析

利用微机数据采集和分析系统，以数字信号处理技术，全面地研究了滚动轴承振动的统计特性。正常轴承的振动加速度信号是服从正态分布的零均值随机信号，信号的均方根值能正确地描述轴承振动的烈度，鉴别产品的质量水平，它和幅值分布的峭度系数可用于轴承的工况监测和故障诊断。     

振动机械滚动轴承的故障尺寸量化研究

针对振动机械滚动轴承故障尺寸量化的问题,通过对振动机械滚动轴承故障特征的分析,基于Hertz接触理论考虑局部单一故障尺寸对接触变形的影响,引入载荷分布区,建立振动机械滚动轴承外环单一局部损伤故障双冲击现象动力学模型.根据此模型进行仿真并在圆振动筛上对两组不同缺陷尺寸的轴承进行了实验研究.结果表明,因滚动体滚过缺陷而产生的双冲击信号,依据双冲击信号的时间间隔对轴承故障宽度尺寸进行量化,平均准确率达96％以上,验证了模型的正确性及此方法应用于振动机械滚动轴承故障尺寸量化的可行性.     

滚动轴承故障诊断的一种特征参数选择方法

如何获取轴承状态的特征参数，特别是对早期缺陷明显的特征参数，目前仍是轴承故障诊断的关键。本文基于轴承振动信号频谱在２ｚｆ０频段有较明显谱峰的现象，分析了滚动轴承的振动特征和频谱２ｚｆ０频段含有较多轴承缺陷信息的原因，并以频谱２ｚｆ０频段的特征频率幅值作为特征参数，用神经网络进行了故障模式的识别。实验结果表明，这一特征参数选择方法用于轴承早期故障诊断是有效的     

基于BP神经网络的滚动轴承故障诊断研究

通过对滚动轴承振动信号的分析处理，提取能够反映轴承运行状态的特征量作为BP神经网络的输入，并用BP算法对该网络进行训练，利用神经网络的智能性来判断轴承所属的故障类型。仿真结果表明，该方法实用有效。     

基于虚拟仪器技术的滚动轴承故障诊断系统

基于虚拟仪器技术的思想,利用labview软件设计并搭建了滚动轴承振动测试及故障诊断系统。通过对滚动轴承振动信号的采集及处理,得到轴承的各项振动性能参数。系统能够根据参数值、振动的时域图以及频谱图,对轴承状态进行准确判断,并可显示出故障产生部位及其发展趋势。     

集成经验模态分解与相关峭度在滚动轴承故障诊断中的应用

船舶设备中的滚动轴承其振动信号成分复杂,故障信号易被背景噪声湮没,常规诊断方法难以有效提取轴承故障信息。为了从复杂的轴承振动信号中提取弱故障信号,将集成经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)应用到滚动轴承故障诊断中,并引入了相关峭度的定义,提出了一种新的滚动轴承故障特征提取方法。该方法首先利用EEMD将轴承振动信号分解为若干个分量信号,然后根据相关峭度最大原则选取分量信号,提取出滚动轴承的弱故障信号。通过对轴承内圈故障的仿真和实验研究验证了该方法的有效性。     

基于递归复杂网络的滚动轴承故障诊断

针对滚动轴承振动信号的非线性、非平稳的特征,提出了一种基于递归复杂网络(recurrence complex network,简称RCN)的轴承故障诊断方法。首先,利用相空间重构的理论将一维时间序列扩展到高维相空间中,构建递归矩阵;然后,研究了基于递归思想的定量递归分析方法;最后,采用递归复杂网络的方法提取故障轴承振动信号的非线性特征参数,对轴承正常状态、内圈故障、滚动体故障和外圈故障振动信号进行分析。研究结果表明,RCN方法可以对滚动轴承故障进行较为准确的诊断,与传统方法相比具有较好的诊断效果。     

滚动轴承不同损伤程度振动特征实验研究

轴承是各类机械设备广泛使用的支撑构件,它的状态决定着机械设备的运行周期。振动是实现轴承状态监测的主要手段,轴承出现故障时,通过振动信号分析可以确定故障部位,同时不同的损伤程度也会造成信号特征的变化。通过模拟实验研究轴承不同损伤程度下的信号特征变化规律,进而指导实际故障诊断过程中轴承损伤程度的识别。首先,预置滚动轴承内圈、外圈及滚动体不同程度的损伤;然后,开展不同损伤程度的故障模拟实验;最后,利用包络解调方法分析不同损伤程度下的实验数据,总结振动信号变化规律及特点。     

采用冲击脉冲法诊断滚动轴承故障

采用冲击脉冲法诊断滚动轴承故障云南设备状态监测及故障诊断服务部易良矩滚动轴承是应用最广泛的易损件，据统计旋转机械的故障有３０％是由轴承引起的。轴承的缺陷会导致机器剧烈的振动和噪音，甚至引起设备损坏。对滚动轴承采用定期维修的方法是不可取的。因为工业轴承...     

基于边带相关算法和Hilbert包络谱的滚动轴承故障诊断

为了对旋转机械中滚动轴承的运行状态进行故障监测和诊断,提出了一种基于边带相关算法和Hilbert包络谱的滚动轴承故障诊断新方法。通过对滚动轴承产生振动的模型进行分析,可以将振动信号看成为多个调制信号的叠加,而边带相关算法可以在频谱图基础上找出调制性最强的频率区间,然后进行带通滤波得到此频率区间内的时域信号,最后对其进行Hilbert包络并进行谱分析,最终能得到调制信号中调制频率的大小。利用滚动轴承实验取得的振动信号进行分析验证,可以在滚动轴承具有外圈、内圈、滚动体缺陷的情况下的振动信号找出调制频率,有效地提取故障特征。结果表明该方法能够准确地识别和诊断出滚动轴承的故障部位和类型。     

基于S变换与奇异值中值分解的滚动轴承故障诊断

为了有效地提取出滚动轴承故障信号的冲击特征,提出了一种基于S变换时频谱和奇异值中值分解(SVMD)算法的滚动轴承故障诊断方法。首先,利用S变换对滚动轴承原始振动信号进行了时频变换,得到了其时频系数矩阵,通过SVMD对时频系数矩阵进行了计算,筛选出合适的奇异值用以降噪;然后,通过仿真的方式,对结果进行了S逆变换,以获得信号的时域冲击特征;最后,以滚动轴承(型号N205)外圈、滚动体故障为例,进行了故障信号冲击特征提取实验,通过对轴承的外圈和滚动体故障数据分析处理,对基于ST-SVMD算法的有效性进行了验证。研究结果表明：通过采用基于ST-SVMD算法,得到了滚动轴承外圈的故障频率,该频率与该型号轴承特征频率基本一致;基于ST-SVMD算法,得到了滚动轴承滚动体的故障频率,该频率与该型号轴承特征频率基本一致;该结果证明,基于ST-SVMD算法在滚动轴承故障信号冲击特征的提取方面是有效的。     

基于87C196的便携式滚动轴承检测与诊断系统

滚动轴承是旋转机械设备运行过程中的重要元件,也是旋转机械的薄弱点,轴承的质量及损坏磨损程度将直接影响旋转机械的运行状况,据统计旋转机械的故障约30%来自于轴承,因此对轴承状态的检测显得极为重要,这也正是本文的主要出发点.本文对轴承的状态检测与诊断主要采用基于振动信号频谱分析的方法.系统利用加速度振动传感器对振动信号进行提取、放大、滤波,再将信号输入Intel 87C196单片机、为微处理器的便携式系统中进行存储、处理,或者通过RS-232串口将数据上传到微机,利用相应的振动测试分析软件对信号进行分析处理.通过对振动轴承的频谱分析,可以方便快捷的了解轴承的运行状态,以防止故障与事故的发生.     

滚动轴承振动与加工质量的灰色理论分析

运用灰色理论的广义关联度概念分析了滚动轴承的振动与加工质量各因素之间的关系.结果表明:宏观尺寸误差参数对轴承振动的影响比较大,宏观形状误差参数和微观形貌参数已达到比较高的质量水平,对轴承振动的影响比较小.而轴承的宏观尺寸参数及其公差在设计方法上存在一些问题,是影响轴承振动的主要因素.     

基于冲击脉冲法诊断滚动轴承故障的研究

在分析冲击脉冲诊断原理、实施要点和轴承状态判别的基础上,从不同的侧面去展示和研究滚动轴承的振动特征。揭示了机器在不同运行状态下,轴承的状态及故障的原因和部位。为滚动轴承振动物理本质的诊断研究提供了可靠的分析技术。