混合陶瓷球轴承振动特性仿真分析

为研究混合陶瓷角接触球轴承剥落故障振动特性,在ANSYS Workbench中建立了角接触球轴承的动力学有限元模型,通过在外圈滚道、内圈滚道及滚动体上设置剥落故障,分析特定工况下正常与剥落故障时轴承各零件受力变化。在此基础上,研究正常与不同零件故障对接触力的影响,并分析剥落故障对轴承零件运动特性的影响。结果表明：轴承各元件中应力最大的是滚动体,剥落故障使轴承最大应力增加,且最大应力大都出现在滚动体上;外圈剥落对经过剥落处的滚动体造成冲击,增大滚动体公转和自转周期,使滚动体速度降低,接触力明显增大;外圈剥落对内圈振动加速度的变化影响较小。     

基于EMD与SSA-SVM的轴承故障诊断

为提高轴承早期故障诊断的准确率,使用经验模态分解(EMD)与麻雀算法(SSA)改进的支持向量机(SVM)结合的方式对故障进行诊断。首先,使用ADAMS软件采集6203轴承外圈、滚子及内圈故障的振动仿真信号;其次,将仿真信号及实际信号作为输入信号进行EMD分解,同时对分解的IMF分量选择自相关性最大的进行Hilbert包络处理;最后,对包络处理得到的故障频率选取前3个峰值采用SSA-SVM对故障进行诊断。不同的输入样本及不同的算法模型的诊断结果表明选取故障频率作为输入特征向量,在SSA-SVM中能够准确的诊断出故障类别,证明ADAMS能很好的解决轴承故障数据的采集问题,所用的诊断方法为轴承故障诊断提供了一种高准确率的方法。     

基于GAF与GoogLeNet的轴承故障诊断研究

为提高滚动轴承故障识别准确率,同时避免繁琐的频谱分析,提出基于GAF与GoogLeNet的轴承故障诊断模型.在实验室中采集滚动轴承正常、内环故障、外环故障和滚动体故障4种工况下的振动信号,利用EMD对振动信号进行分解并提取累积贡献90％的分量;基于重叠采样原理,利用格拉姆算法将选择的EMD分量和原始振动信号处理为二维图...     

基于小波包能量和层次熵的D-S证据理论的轴承故障诊断技术

针对齿轮箱轴承故障识别率低、故障信号不平稳的问题,提出层次熵与小波包能量多源数据融合轴承故障诊断方法。采用小波包对轴承正常、内圈、外圈、滚动体故障等4种振动信号进行三层小波包分解并重构,计算各频段样本熵（即层次熵）和小波包能量作为故障特征向量集;应用归一化方法对2种特征向量处理后分别建立BP神经网络模型实现轴承不同故障模式的诊断;最后应用D-S证据理论,通过小波包能量和层次熵以及两者融合信息的故障诊断结果比较,表明基于神经网络和D-S证据理论相结合方法用于复杂机械的故障诊断是可行和有效的。     

基于EMD和支持向量机的滚动轴承故障诊断研究

为解决在复杂噪声和工频及其倍频干扰条件下滚动轴承故障诊断问题,提高诊断准确率,进行了经验模态分解(EMD)和支持向量机(SVM)的研究,给出了相应的决策流程。基于改进的EMD分解的特征提取算法,选取故障特征明显的IMF分量进行特征提取,最大限度地滤除了低频噪声干扰,捕捉到信号的故障特征,然后将特征集输入到SVM分类器中进行识别,结果表明:该方法对于轴承故障识别具有较高的准确率,为确保轴承安全运行和快速故障诊断提供了理论支持。     

滚动轴承疲劳失效故障的数字孪生虚拟实体建模

针对目前基于数据驱动和机制建模的滚动轴承故障诊断方法的不足,提出一种针对疲劳故障的滚动轴承数字孪生虚拟实体模型。基于L-P疲劳失效理论,对滚动轴承全寿命周期的振动响应进行建模。在轴承五自由度非线性滚动振动模型的基础上,考虑滚动体-滚道冲击力的影响,对滚动轴承内、外圈局部缺陷模型进行改进,并提出一种滚动轴承次表面裂纹早期故障模型,从而建立了疲劳失效下的滚动轴承全寿命数字孪生虚拟实体模型。该模型可表征轴承疲劳故障的产生、发展到严重的全过程。对不同类型的轴承疲劳故障虚拟实体数据进行了分析,验证了所建模型的正确性和有效性。     

基于多类SVM与改进EMD的故障诊断

鉴于传统方法在智能故障诊断中存在着一些不足,提出了一种基于多类支持向量机(SVM)和改进的经验模式分解(EMD)的故障检测与诊断办法。首先通过采用窗口平均法的EMD将原始信号自适应分解到分布在不同频带的基本模式分量(IMF),再用特征归一化处理进行特征提取,然后输入多类SVM分类器进行分类,从而对设备的当前状况作出判断。经过实验证明,本方法可以有效地对轴承设备进行故障诊断。     

基于Hilbert变换的轴承故障诊断研究

滚动轴承外环故障、内环故障和滚动体故障的振动信号具有调制的特点。采用Hilbert变换对轴承的故障信号进行了包络解调仿真分析,并对滚动轴承的外环故障进行了故障诊断试验研究,诊断结果与实际故障吻合。研究结果表明,基于Hilbert变换的包络解调技术不仅能有效提取故障信号的特征频率,而且还可以有效地实现滚动轴承故障的诊断。     

EMD分解与多特征融合的齿轮故障诊断方法

为解决齿轮振动信号在现实中难以获取大量典型故障样本和分类的精确度低的问题,提出基于EMD分解与多特征融合的齿轮故障诊断方法。首先,提取反映信号特征的各项参数指标作为特征向量;其次,利用经验模式分解(EMD)对原始信号进行分解,进而提取分解后各本征模式分量(IMF)的能量指标组成特征向量;然后,将其与信号特征各项参数融合成特征向量组合,并将其作为SVM多故障分类器的训练样本进行训练,实现齿轮的智能诊断。通过实验室轴承的故障诊断研究表明:该方法对于齿轮的各种状态具有很好的分类精确度,更加有效地识别齿轮故障类型。     

基于滑动窗口-KL散度和改进堆叠自编码的轴承故障诊断

针对风力发电机组的发电机轴承故障诊断问题,提出基于滑动窗口-KL散度和改进堆叠自编码的深度学习网络故障诊断模型。采用改进的变学习速率的堆叠自编码器进行发电机轴承温度状态重构。利用滑动窗口-KL散度算法进行发电机轴承的故障诊断,诊断结果与欧氏距离和3σ准则故障诊断结果进行对比。结果表明:采用滑动窗口-KL散度算法进行故障诊断准确率高、误报率低。