基于小波变换的轴承振动特征波形分离

轴承的振动信号中包含了轴承的损伤信息,本文研究利用小波分析方法对这些损伤信息波形特征进行分离.对一个轴承振动信号的处理实例表明:小波分析方法分离出了轴承的冲击振动波形特征、调制波形特征、二倍频振动波形特征,并由此确定了轴承的滚道和滚珠存在损伤、内外圈存在平行不对中等故障现象,取得了传统的傅里叶分析无法得到的结果.     

涡轴发动机转子碰摩故障振动信号分析

涡轴发动机的工况决定它容易在转子过渡态因瞬间失衡而出现碰摩现象。碰摩故障会引起部分统计特征参数发生突变现象。基于三叉树检测算法,提出转子局部碰摩故障监测方法。基于某涡轴发动机转子振动倍频幅值包络线、试车转速曲线,分别仿真涡轮机匣测点发生局部碰摩故障与正常工作状态下的振动信号。对振动信号进行频谱分析,并提取振动信号的峭度指标、裕度指标、总量,以对转子碰摩故障进行甄别。结果表明：转子基频容易凸显故障特征;基于统计特征的碰摩监测方法能够较好地识别出转子碰摩故障。     

基于轴心轨迹的转子升速过程故障特征提取方法研究

针对升速过程中转子故障诊断所面临的复杂分析问题,在传统轴心轨迹的基础上提出瞬态倍频轴心轨迹的分析方法。利用Vold-Kalman阶比跟踪方法提取出各故障特征频率;然后将特征频率进行重构,合成随转速变化的瞬态倍频轴心轨迹;利用几何矩方法提取瞬态倍频轴心轨迹的故障特征,并将几何矩特征集进行MDS降维。经实验验证,该方法在转子升速过程中的故障特征提取及诊断方面取得了良好的效果。     

基于高斯混合模型的滚动轴承故障预警

滚动轴承的早期故障预警一直是研究人员和相关行业关注的问题,及时发现滚动轴承的早期故障并预警有助于降低生产中因零件损坏引发的损失。在分析了主流故障预警方法后提出一种基于高斯混合模型(gaussian mixture model, GMM)的轴承故障预警方法;通过GMM对轴承的振动信号建模,描述其不同阶段的分布情况,提出一种新的基于KL散度的轴承健康指标(bearing health index based on KL divergence, BHI-KL),用来描述轴承劣化过程;利用3σ准则提取出健康指标中的异常值,实现故障预警。利用轴承寿命加速试验数据对所提方法进行验证,并通过包络谱验证其精确性。结果表明,该方法较常用的故障特征具有良好的时效性,可以实现对轴承故障进行有效预警。     

裂纹和碰摩转子耦合振动特性分析

以Jeffcott转子为研究对象，分析了转子系统出现裂纹和碰摩故障耦合振动特性。数值分析表明，当工作转速低于一阶临界转速时，转子振动响应中出现1，2，3…倍频成分，且当Ω=1/2，1/3，…时出现亚临界激励超谐共振现象；高于一阶临界转速时，频谱图上2倍频以后的分量和分频分量几乎消失。在某些情况下裂纹和碰摩故障的耦合使转子的故障特征消失，裂纹和碰摩故障的耦合不能改变转子的工频位置。     

基于堆栈降噪自编码的轴承故障诊断方法

针对传统轴承故障智能诊断中特征学习困难,且需要掌握大量的信号处理方法和诊断经验,提出直接从原始数据出发对轴承故障状态进行分类识别的新方法。该方法通过深度学习利用原始振动数据训练堆栈自编码网络,由于免除了智能诊断的显式特征提取阶段,从而能够减少人工参与因素,摆脱了对大量信号处理技术与诊断经验的依赖。试验结果显示:所提出的方法能对轴承故障识别率达到97%,具有较好的识别能力,能够完成故障特征的自适应提取,增强了机械故障诊断的智能性。     

高精度现场动平衡智能测试系统的开发与研究

采用锁相环32倍频与50倍频技术实现对各种转速转子现场动平衡的精确测试。通过转速基准信号锁相环32倍频做A/D采样触发源,实现对不平衡振动信号硬件同步整周期采样;通过采用中心频率的自适应带通滤波器以及自适应量程转换电路,实现对现场复杂干扰情况中不平衡特征信号的提取。测试结果表明:系统能够实现对不同转速转子现场动平衡的精确测试。     

应用Hilbert时频谱和神经网络对发电机转子故障进行分类的方法研究

提出了一种新的发电机转子故障检测的信号分类方法H ilbert时频谱,它是一种新的分析非平稳、非线性的时频分析方法。这种方法用经验模式分解法将一维信号分解成内蕴模式函数,进而计算有意义的多分量信号的瞬时频率。将其应用于故障信号的分析,可以提供新的时频属性;然后计算这种时频谱的矩和边缘以及时频熵,并将其作为特征向量。应用RBF概率神经网络作为分类器,可以实现不同故障模式的自动分类。对发电机的不同转子故障模式的信号研究表明了该方法的精确性和稳定性。     

精密轧辊磨床故障振动分析及消除

针对钢企冷轧厂精密轧辊磨床存在的一种振动故障,分析了磨削工艺参数对振动的影响,并通过振动位移和加速度信号的检测和FFT频谱分析,得到了振动信号的谱特征。通过故障分级排除方法结合谱特征分析,找出了产生这种振动故障的原因,提出了消除这类故障的方法,并为防止这种故障的再次发生提出了相应的解决办法。     

通风机典型振动故障的分析与处理

振动是通风机实际使用中的常见故障,采用正确的测量方法、检修排查故障,能够确保矿井生产通风机的正常运行。从引起振动的主要原因,详细分析转子不平衡、轴线不对中、转子固定部分松弛、机座不牢固或刚度不够、通风机内部摩擦、润滑系统不良几大典型故障,论述各种故障发生的特征和原理,提出了检修思路和具体修理方法。     

基于LMD近似熵和改进PSO-ELM的轴承故障诊断

针对滚动轴承故障特征提取与故障识别困难的问题,提出局部均值分解(LMD)近似熵和改进粒子群优化的极限学习机(PSO-ELM)结合的滚动轴承故障诊断方法。将不同工况信号用LMD分解为一系列乘积分量,不同工况的信号在不同频带的近似熵值会发生改变,结合相关性系数选出前3个分量,计算近似熵定值作为输入的特征向量。针对PSO早熟收敛的缺点,引入自适应权重法与DE算法对PSO进行改进,将特征值输入到改进PSO-ELM网络模型中,对滚动轴承不同工况进行故障识别与分类。结果表明,基于LMD近似熵和改进粒子群优化的ELM不仅能够识别滚动轴承的故障类型,并且有更高的分类正确率,验证了该方法的可行性。     

基于CMCPSO-SVM的轴承微弱故障诊断方法北大核心

针对旋转机械轴承微弱故障振动信号易被强噪声掩盖难以识别的问题,提出一种改进混沌粒子群优化支持向量机的故障诊断方法。将信号通过局部均值分解算法分解处理得到乘积函数(PF)分量,并进行能量归一化处理获得时频域特征集;通过迭代拉普拉斯得分降低时频域特征集的空间维度;以PF分量的排列熵作为混沌粒子群的适应度,并加入交叉和变异新策略,建立一种新的交叉变异混沌粒子群优化方法;利用改进的粒子群算法优化支持向量机的核函数和惩罚因子,并将优化后的分类模型应用于轴承故障诊断。结果表明:该故障分类模型的识别准确率高于其他分类模型。     

采用电磁辅助支承在线消除转子不对中的试验研究

本文介绍了一种新型的支承形式,它将电磁轴承安装在主支承上,利用电磁力使转子轴重新定位,从而实现不对中的在线消除。文中对其应用于消除不对中的机理进行了研究,并建立了一四自由度电磁辅助支承系统进行测试。实验结果表明,该支承可以实现不对中故障的在线消除或降低。     

基于频域特征和支持向量机的汽车水泵轴承故障诊断研究

为了在线监测与识别汽车水泵轴承的故障类型,以WR3258152型汽车水泵轴承为研究对象,分析了其内部结构和常见故障。根据常见故障,预设了汽车水泵轴承的4类缺陷。在搭建的信号采集实验平台上,利用加速度传感器,分别采集了4类缺陷轴承在运转过程中的振动信号。利用Matlab软件对振动信号进行快速傅立叶变换和频域特征值计算,选用径向基核函数和粒子群参数优化方法建立支持向量机模型,并进行测试验证,结果表明:支持向量机分类方法能精确识别汽车水泵轴承常见的4类缺陷。为汽车水泵轴承的在线监测与故障诊断提供了参考。     

基于SPWVD-CNN的滚动轴承故障诊断

针对传统的滚动轴承故障诊断方法难以提取轴承振动数据有效特征的缺陷，提出一种基于平滑伪Wigner-Vill分布(smooth and pseudo Wigner-Ville distribution，SPWVD)和卷积神经网络(convolutional neural network，CNN)的网络模型SPWVD-CNN。对振动数据进行平滑伪Wigner Vill分布变换，将获得的时频图进行压缩，作为CNN的输入，利用迁移学习的思想进行网络训练，使得模型对于不同负载的数据具有良好的诊断性能，提高了网络的泛化能力。实验结果表明：SPWV-CNN对轴承故障数据的平均分类准确率提升至99.27%，总体性能优于使用单一的CNN和其他传统的故障诊断方法。     

基于FastICA的遗传径向基神经网络轴承故障诊断研究

针对电机轴承故障诊断效率低和诊断结果准确率不高的问题,提出一种基于FastICA的遗传径向基神经网络的优化算法。利用独立分量分析算法,将信号分离成多个独立的信号源;根据独立信号源构建独立特征向量;将分离所得的独立信号源作为样本,输入到遗传算法优化后的径向基神经网络中进行故障识别,并与其他分类算法比较。实验结果表明,对于电机轴承多信号的故障诊断,该算法具有更好的故障诊断能力。     

基于ALIF和ISOMAP的机械设备故障识别方法研究

滚动轴承作为机械设备的重要部件,对机械设备的稳定运行起着重要的作用。滚动轴承的故障信号往往是多种信号的叠加,有必要对采集到的振动信号进行模式分解,进而基于模式识别方法实现对滚动轴承不同故障模式的分类识别。提出一种基于自适应局部迭代滤波(ALIF)和等距特征映射(ISOMAP)的机械设备故障分类识别方法。利用ALIF对滚动轴承的故障信号进行模式分解;对选定的模式分量提取多个统计学特征;最后利用ISOMAP对高维特征信号进行降维处理,实现对滚动轴承不同故障模式的分类识别。研究结果表明：所提方法在滚动轴承故障识别上具有良好的效果。     

基于参数优化变分模态分解的滚动轴承微弱故障诊断研究

为了提高变分模态分解(VMD)对滚动轴承微弱故障特征提取的准确性,提出了一种基于参数优化VMD与奇异值分量及其熵相结合的滚动轴承故障诊断方法。该方法通过寻优算法确定VMD的模态数K和二次惩罚因子α;根据余弦-标准差指标提取VMD典型本征模态分量(IMF);计算IMF奇异值及其熵,并利用计算结果分别判断滚动轴承的不同故障状态。结合美国西储大学轴承振动信号数据,实验结果表明:相比经验模态分解奇异值故障诊断方法,基于参数优化VMD奇异值故障诊断方法能更明显地识别滚动轴承的不同故障类型,为区分滚动轴承微弱故障提供了一种可行的诊断思路。     

Microstructure and alloy element distribution of dissimilar joint 316L and EH36 in laser welding

Microstructure and alloy element distribution of dissimilar joint 316L and EH36 in laser welding were researched, especially the influence of misalignment on weld profile and alloy element distribution. Weld zone (WZ) consisted of austensite and ferrite (F), and heat affected zone (HAZ) of EH36 side consisted of martensite, F, pearlite and carbide precipitation. Positive misalignment increased both upper and bottom widths (BWs), while negative misalignment made BW wider and upper width narrower. HAZ in steel EH36 side was clear and was narrowed and homogenised by negative misalignment. Alloy element contents of Cr and Ni in WZ was much more in negative misalignment. The interface transition gradient of alloy element between 316L and WZ was sharpened in the +0.8?mm misalignment, but diminished in the ?0.8?mm misalignment. The influence of misalignment on alloy element distributions can be attributed to the effect of gravity on transient flow of weld pool.     

基于小波包和支持向量机的滚动轴承故障模式识别

为了解决对故障轴承的特征提取和故障特征准确分类问题,提出了应用小波包变换和支持向量机相结合进行滚动轴承故障诊断的方法.小波包变换具有良好的时-频局部化特征,非常适于对瞬态或时变信号进行特征提取.而支持向量机可完成模式识别和非线性回归.利用上述原理根据轴承振动信号的频域变化特征,采用小波包变换对其提取频域能量特征向量,然后利用建立的支持向量机多故障分类器完成滚动轴承故障模式的识别.试验结果表明,支持向量机可以有效、准确地识别轴承的故障模式,为轴承故障诊断向智能化发展提供了新的途径.