基于集合经验模式分解和交叉能量算子的滚动轴承故障诊断

振动信号的周期性冲击及其重复频率是滚动轴承故障诊断的关键.本文提出了一种基于集合经验模式分解和交叉能量算子提取滚动轴承故障特征的方法.首先,应用集合经验模式分解方法将振动信号分解为本征模式函数以满足交叉能量算子对信号单分量的要求.然后根据相关程度和峭度从本征模式函数中选取敏感分量,计算敏感分量和原始信号的瞬时交叉能量及其傅里叶频谱.最后根据交叉能量的频谱结构和特征频率识别轴承故障.通过分析滚动轴承故障仿真信号和实验测试信号,诊断了滚动轴承元件故障,验证了该方法的有效性.     

基于EEMD形态谱和支持向量机复合的滚动轴承故障诊断方法

针对滚动轴承的内圈、外圈和滚动体故障提出了一种新的诊断方法,该方法融合了集总经验模态分解(EEMD)、形态谱和支持向量机(SVM)三种方法的优势.首先,利用经验模态分解对滚动轴承故障振动信号进行分解,得到若干个具有物理意义的内禀模态分量(IMF);其次,基于最大能量法筛选出含有故障特征信息最丰富的一个内禀模态分量为故障诊断数据源;再次,对数据源在选定尺度范围内进行形态谱的提取,从而构造故障特征向量;最后,利用支持向量机对滚动轴承的三种故障进行诊断.研究结果表明,该方法能够有效地诊断出滚动轴承的三种故障,且具有很高的故障诊断正确率.     

基于变分模式分解和微积分增强能量算子的滚动轴承故障诊断

针对滚动轴承故障振动信号的特点,考虑变分模式分解在复杂信号分解及微积分增强能量算子在瞬态成分检测方面的优势,提出基于变分模式分解和微积分增强能量算子的滚动轴承故障诊断方法.首先利用变分模式分解将复杂信号分解为多个本质模式函数,以削弱背景噪声的影响和满足能量算子对信号单分量的要求;然后根据提出的敏感分量选取原则,从本质模式函数中选出包含主要故障信息的本质模式函数为敏感分量;最后利用微积分增强能量算子强化敏感分量中的瞬态冲击,并根据敏感分量瞬时能量的时域波形及Fourier频谱诊断滚动轴承故障.分析结果表明该方法能够有效诊断滚动轴承故障.      

基于ELMD分解和MED的齿轮箱故障诊断分析

针对齿轮早期故障振动信号的非平稳特性和现实中受环境噪声影响严重,故障特征微弱难以提取的问题,利用总体局部均值分解对齿轮故障振动信号进行分解得到有限个单分量的乘积函数,从而凸显信号的局部特性。但由于噪声的干扰,从各分量的频谱中很难提取故障特征频率信息。文章基于此提出总体局部均值分解和最小熵反褶积的故障诊断方法。通过对齿轮故障仿真实验和工程案列分析,能够准确、有效地提取齿轮故障特征信息,为实际工程应用提供了一种新方法。     

高线轧机增速箱多故障源的盲分离与精确辨识

相对于单一故障诊断,混合故障的特征分离历来是诊断领域的一大难题。针对某高线轧机的一次多故障并发的振动信号,引入了独立分量分析(ICA)技术,以负熵最大化为分离判据,以牛顿迭代法为优化算法,实现了滚动轴承故障特征的有效分离和提取,为设备安全运行提供理论依据。     

基于频谱分析的滚动轴承故障诊断技术的应用

振动分析是滚动轴承状态监测和故障诊断的重要手段,本文对滚动轴承的故障机理进行了剖析,介绍了滚动轴承的常见失效形式,研究了滚动轴承振动信号的特征,通过现场采集振动信号对设备故障进行诊断。     

基于频谱分析的滚动轴承故障诊断技术的应用

振动分析是滚动轴承状态监测和故障诊断的重要手段,本文对滚动轴承的故障机理进行了剖析,介绍了滚动轴承的常见失效形式,研究了滚动轴承振动信号的特征,通过现场采集振动信号来对设备故障进行了诊断。     

滚动轴承故障的诊断方法

本文在阅读国内外大量文献的基础上,综述了滚动轴承故障信号的检测方法。认为振动信号里所包含的故障信息最丰富,应用振动测试与分析诊断滚动轴承的故障最有效。讨论了从振动信号中提取滚动轴承故障特征的各种方法。     

260线材轧机长轴轴承故障诊断系统

提出了共振解调技术的数学模型,求解了该模型的脉冲响应,为该技术在正常低频振动中提取所夹带的微小冲击信号的应用提供了理论依据.同时介绍了采用共振解调技术在260轧机长轴轴承故障诊断中的应用效果,说明共振解调技术在提取齿轮、轴承机械故障的微小冲击信号的应用上是非常有效的.     

解调技术在电机故障诊断中的应用研究

文章在分析和总结电机常见故障特点及其在振动或电流频谱上出现的故障特征的基础上,针对故障电机的调制信号特点,使用信号解调技术对采集的信号进行幅值解调,提取故障特征进行诊断.并通过实例验证了该方法在电机故障诊断中的正确性.     

基于空洞卷积神经网络与注意力机制GRU的滚动轴承故障诊断

针对传统故障诊断方法需要人工提取特征的不足,以及大数据下滚动轴承故障振动信号自适应特征提取与智能诊断问题,利用空洞卷积神经网络(DCNN)可以在不增加计算量的基础上兼顾不同尺度空间特征的能力、门控循环单元(GRU)善于从动态变化的序列数据中学习到时间上的关联性的能力,提出了一种将DCNN、注意力机制和GRU多路径融合的端到端故障诊断方法。首先利用DCNN从原始数据中自动提取时序信号特征,然后将注意力机制(Attention)的GRU通路和DCNN通路进行融合,最后将提取到的特征融合之后送入分类层进行分类。试验结果表明,所提方法的诊断准确率平均为98.75%,高于比较方法,更加适用于滚动轴承故障诊断。     

基于小波消噪的轴承振动测量及故障诊断研究

对识别滚动轴承工艺故障原理进行阐述,提出了轴承振动测试及故障诊断系统的总体框架,对系统的机械装置进行了分析,在通过传感器得到的轴承信号后,利用小波的分解与重构降噪来处理这些信息,再通过Matlab进行实现信号的消噪处理.     

高线轧机典型故障的时频特征分析

针对高速线材轧机传动零部件的突发故障，开展基于振动测试的故障诊断研究可以有效加以避免。结合设备的结构特点，根据离／在线监测系统采集的振动信息，采用时频分析法可以有效捕获其中的故障特征。结果表明，各种时频分析方法对零部件类型的敏感程度有所差异。其中，高阶的时域指标是识别轴承类故障的有效手段，而转轴类故障的识别和判断相对复杂一些。     

基于周期势系统随机共振的轴承故障诊断

提出基于普通变尺度和周期势自适应随机共振理论,检测噪声背景下轴承滚动体的故障特征.在具体实施过程中,首先用普通变尺度的方法满足随机共振中小参数的条件,然后用随机权重粒子群优化算法作为自适应随机共振参数寻优的优化算法,同时用改进的信噪比作为评价指标.噪声背景下含轴承滚动体故障的实验信号经过普通变尺度下的自适应随机共振处理和优化后,微弱的故障特征可以有效的提取出来.将普通变尺度下的双稳态自适应随机共振和周期势自适应随机共振进行了对比,结果表明周期势自适应随机共振比双稳态自适应随机共振能进一步提高信噪比,并且比双稳态自适应随机共振迭代次数少,用时短.这说明提出的基于普通变尺度和周期势系统自适应随机共振的轴承滚动体故障诊断方法具有优越性,尤其是在工程实际中,故障监测所需的数据量大,计算时间长,如能较早的预警,可以提高诊断效率并减少不必要的损失.因此,这种轴承滚动体故障诊断方法对提高机械设备故障诊断效率具有参考价值.      

高炉助燃风机电机滚动轴承故障的分析与诊断

介绍了高炉助燃风机设备基本情况,针对助燃风机电机滚动轴承外圈故障的现象,根据振动分析的普通理论,应用RH802双通道数据采集器,对其信号进行时域、幅域、频谱、包络谱等进行分析和诊断。实践证明,故障诊断技术对现场设备滚动轴承故障诊断可以准确地确定故障部位,为设备维修提供科学依据。     

热轧机械振动在线监测和故障诊断系统

介绍了武钢第二热轧厂轧机机械设备振动在线监测和故障诊断系统的基本构成、软硬件配置以及状态监测、信号分析和故障诊断等主要功能。实践证明,该系统的设计体现了轧钢机械振动监测的要求,具有较高的可靠性和实用性,为轧钢机械故障诊断提供了一条新途径。     

大型连轧机传动齿轮在线故障诊断方法研究

在大型连轧机组中，主传动系统的减速机、齿轮在受着巨大的负载，很容易出现各种故障，采用神经网络自适应滤波方法和小波分解方法在线分析传动齿轮的振动信号，有效地分解出信号中由故障所引起的成分，地诊断出连轧机传动齿轮的各种故障原因，为大型连轧机组齿轮传动系统的故障在线监测提供了新的有效的工具。     

基于核主成分分析的热连轧断带故障诊断

热连轧生产过程中经常出现设备和质量故障,为了快速确定故障原因并排除故障,需要对生产过程开展监控以及对故障进行诊断。基于热连轧生产过程采集的数据,采用核主成分分析法对热连轧轧制过程中精轧机组相关数据进行监控,并对断带故障进行诊断。先使用平方预测误差(SPE)统计量监控生产过程,再基于核主成分分析绘制出各变量贡献率图,最后依据贡献率大小找出造成故障的主要影响变量。与主成分分析法相比,采用核主成分分析法更为高效和准确。基于核主成分分析的热连轧断带故障诊断可节省故障分析时间,为热连轧生产过程调整和故障排除提供依据,具有重要的理论意义和实际应用价值。