基于振动监测的船用燃油泵故障诊断

针对某船用燃油泵在航行途中振动偏大的问题,在对其基本结构、工作原理以及运行特征分析的基础上,利用轴承脉冲检测仪结合频谱测量仪,对其运行状态进行分析,数据显示轴承脉冲在正常范围内,电机输出端和自由端水平方向振动超标,振动以转频为主;转轴联轴器两端水平方向相位差接近180°.分析诊断为该泵存在不对中故障,检修后该泵恢复正常,保证了船舶的正常航行.     

轴承动态刚度测量方法及测量设备研究

作为机床主轴的核心零件,轴承的动态刚度对机床加工精度至关重要。为模拟机床主轴轴承的工况,测量轴承运转过程中的动态刚度,设计了一种能够对多种组配形式的轴承轴向或径向动态刚度进行测量的轴承动态刚度测量仪。该测量仪有柔性驱动系统驱动、伺服电缸加载、直线旋转运动轴系传递载荷和旋转,测量系统能够实时监测轴承转速、载荷和被测轴承变形量等数据,从而计算出被测轴承的动态刚度。阐述了测量仪的工作原理、测量主体、柔性驱动系统、加载系统等关键系统的结构和工作方式,介绍了测量仪的技术特点,并通过试验验证了测量仪的可靠性。     

轴承测量仪圆度测量误差分析及调整

采用轴承测量仪测量的产品圆度为一个估计值,与实际值存在误差,对轴承测量仪测量原理及其测量误差进行了分析,举例分析轴承测量仪的各自测量误差,提出了调整和改进方法,采用组合测量调整方案有效控制了圆度测量误差。     

轴承端面凸出量测量仪动作控制电路的改进

分析了轴承端面凸出量测量仪电气系统目前存在的动作干扰问题,通过控制电路的重新设计和电源隔离,对轴承端面凸出量测量仪电气系统进行改进。改进后的轴承端面凸出量测量仪消除了动作干扰问题,提高了安全性和工作效率,改善了用户体验。     

PCA和自相关包络分析在转盘轴承故障诊断中的应用

提出一种自相关降噪和主元分析(PCA)相结合的故障检测和诊断方法。首先采用自相关分析对正常运行状态的振动样本数据进行降噪,然后建立PCA模型,并通过T2和SPE统计量来区分正常和故障状态,最后采用Hilbert包络解调获取故障特征频率。转盘轴承加速寿命试验表明,该方法不但能较好地检测转盘轴承故障状况,而且可准确识别转盘轴承故障类型。     

圆周振动筛轴承故障特征提取与诊断

针对圆周振动筛轴承故障信号经常淹没在振动筛自身的振动和冲击中,导致轴承故障特征难以提取的问题,提出采用包络分析法处理测试信号和诊断轴承故障的方法。利用加速度传感器采集圆周振动筛轴承正常工作和发生故障时的振动信号,再采用包络分析方法对振动信号进行处理并提取轴承的故障特征,从而识别出故障类型。通过实验分析了振动筛轴承故障的时域和频谱特征,得出轴承外圈频谱存在调制现象,而内圈频谱不存在调制现象,为轴承故障诊断提供了理论的技术支持和判断依据。     

角接触轴承凸出量测量仪的改进设计

轴承的凸出测量仪一般企业都采用机械杠杆式预加载荷测量,轴承凸出量测量仪的本身精度高低直接影响轴承的测量精度,以至影响轴承的装配精度,改进测量仪马鞍座（工作平台）的结构,可提高测量仪的精度。     

基于RBF神经网络的转子-轴承系统故障诊断

提出一种用FFT和RBF神经网络实现转子-轴承系统故障诊断的方法。使用FFT提取旋转机械的故障特征向量,再结合RBF神经网络强大的自学习和分类能力,实现转子-轴承系统的故障诊断。在故障试验台上模拟转子-轴承系统正常、轴承内圈故障、转子不平衡故障1和2以及混合故障1和2,试验结果验证了该法对转子-轴承系统故障诊断的可行性和有效性。     

铁道车辆滚动轴承外圈故障数值模拟与实验

提出了一种故障轴承的三维建模方法,并采用数值模拟和实验研究相结合的方法分析了352226X2-2RZ型双列圆锥滚子轴承在正常状态和外圈剥离故障状态时的故障特征频率。首先,利用三维实体建模软件Solidworks建立了正常状态和外圈剥离故障状态的轴承模型;然后,将模型导入ADAMS中添加约束和驱动,并对两种模型进行动力学仿真分析;最后,利用轮对跑合实验台对故障轴承进行试验测试分析,试验结果与仿真结果十分吻合。研究结果证明了所提出的建模和仿真方法的正确性。     

洛阳大良精密仪器有限公司向您提供汽车万向节生产用测量仪器

保持架内球面中心高测量仪 ,保持架外球径测量仪 ,保持架外球面中心高测量仪 ,保持架内球径测量仪 ,保持架窗口高度测量仪 ,外环沟槽位置测量仪 ,星形套沟道跳动测量仪 ,星形套内孔径测量仪 ,星形套外球面跳动测量仪 ,轴杆直径综合测量仪 ,轴承架三叉分度测量仪 ,筒型壳台阶内孔测量仪 ,球形壳球面直径测量仪 ,球形壳外径综合测量仪 ,球形壳球面中心高测量仪 ,球形壳球道直径测量仪 ,球形壳球道中心高测量仪 ,球形壳球道位置测量仪 ,斜滚道筒型壳六球道位置度测量仪 ,斜滚道星形套六球道位置度测量仪。公司还可为用户研制特殊万向节测量仪器…     

基于小波包和分形盒维数的滚动轴承故障诊断

为诊断滚动轴承不同部件产生的故障,针对轴承故障信号具有非线性、非平稳振动的特点,运用小波包和分形理论,定量计算了滚动轴承不同部件故障信号及小波包重构信号的盒维数。实验结果表明,滚动轴承不同的故障类型具有不同的盒维数。正常滚动轴承盒维数最大,依次为滚珠故障盒维数、内环故障盒维数,外环故障盒维数最小。分形盒维数能定量地识别滚动轴承不同部件的故障,提高滚动轴承故障诊断的准确率,为滚动轴承智能故障诊断提供可靠依据。     

基于关联维数的铁路货车滚动轴承故障诊断

将关联维数用于定量刻划滚动轴承在不同工作状态下的振动特征,进而对故障分类。同时提出用小波分析对原始数据进行降噪处理。文中以铁路货车轴箱197 726双排圆锥滚子轴承为例,计算了正常轮对、滚子损伤和外圈剥离三种情况下降噪处理前后振动信号的关联维数,分析结果表明,滚动轴承不同工作状态下的关联维数有明显差别,因此可以将关联维数作为识别滚动轴承故障的特征量。     

基于小波包—坐标变换的滚动轴承故障特征增强方法

滚动轴承早期故障特征信号微弱且易受正常成分干扰,因此不易准确识别滚动轴承的早期故障.对含有微弱故障的滚动轴承信号进行小波包分解,通过对小波包分解得到的各子带进行研究,提出一种基于小波包—坐标变换(Wavelet packet-coordinate transformation,WP-CT)的故障特征增强方法.考虑到各频...     

基于LMD和阶次跟踪分析的滚动轴承故障诊断

变转速工况下的滚动轴承故障振动信号具有多分量调制以及故障特征频率受到转频调制的特点,从而导致故障特征提取困难。对此,将局部均值分解(local mean decomposition,简称LMD)与阶次跟踪分析相结合,提出了一种变转速工况下的滚动轴承故障诊断方法。首先,采用阶次跟踪采样将时域滚动轴承故障振动信号转换到角域;然后,对角域信号进行LMD分解得到若干个乘积函数(product function,简称PF)分量;最后,对各个PF分量的瞬时幅值进行频谱分析,判断滚动轴承的故障部位和类型。通过对滚动轴承实验故障振动信号的分析,结果表明该方法能有效地应用于变转速工况下的滚动轴承故障诊断。     

Application of an impulse response wavelet to fault diagnosis of rolling bearings

To target the characteristic of roller bearing fault vibration signals, the impulse response wavelet is constructed by using continuous wavelet transform to extract the feature of fault vibration signals, based on which two methods namely scale-wavelet power spectrum comparison and auto-correlation analysis of time-wavelet power spectrum are proposed. The analysis results from roller bearing vibration signals with out-race or inner-race fault show that the two proposed methods can detect the faults of roller bearing and identify fault patterns successfully.     

A fault diagnosis approach for roller bearing based on VPMCD under variable speed condition

Essentially the fault diagnosis of roller bearing is a process of pattern recognition. However, existing pattern recognition method failed to capitalize on the nature of multivariate associations between the extracted fault features. Targeting such limitation, a new pattern recognition method – variable predictive model based class discriminate (VPMCD) is introduced into roller bearing fault identification. The VPMCD consider that all or part of the feature values will exhibit interactions in nature and these associations will have different performances between different classes, which is always true in practice when faults occur in roller bearings. Target to the characteristics of non-stationary and amplitude-modulated and frequency-modulated (AM–FM) of vibration signal picked up under variable speed condition, a fault diagnosis method based upon the VPMCD, order tracking technique and local mean decomposition (LMD) is put forward and applied to the roller bearing fault identification. Firstly, LMD and order tracking analysis method are combined to extract the fault features of roller bearing vibration signals under variable speed condition; Secondly, the feature values are regard as the input of VPMCD classifier; finally, the working condition and fault patterns of the roller bearings are identified automatically by the output of VPMCD classifier. The analysis results from experimental signals with normal and defective roller bearings indicate that the proposed fault diagnosis approach can distinguish the roller bearing status-with or without fault and fault patterns under variable speed condition accurately and effectively.     

基于包络分析的滚动轴承故障诊断研究

在研究滚动轴承振动机理的基础上,提出了利用对振动信号进行包络分析,以及特征提取的方法来进行故障类型的判断。在QPZZ-Ⅱ型故障模拟实验台上进行了滚动轴承实验,对振动信号进行包络分析和特征提取,准确地判断出了滚动轴承的故障类型,证明了该方法是有效的。     

振动分析技术在齿轮减速器故障诊断中的应用

利用CSI2130振动分析仪对浆液循环泵齿轮减速器进行振动监测与故障诊断,并使用PeakVue技术进行频谱和时域分析,认为较大的振动是因为齿轮啮合不良而导致输入端齿轮轴断齿造成,停机检修发现输入端齿轮轴有3个齿沿齿轮根部断裂,更换新齿轮轴后,设备运行恢复正常。     

基于互相关检测的滚动轴承实时故障诊断方法

提出了一种易于用模拟电路实现的基于互相关检测的滚动轴承实时故障诊断方法,首先,用两个加速度传感器在不同测点采集轴承振动信号,将其分别送入相应通道的高Q带通滤波器来选择最优共振带;然后,将两路带通滤波器的输出信号进行互相关检测,将互相关检测得到的信号经低通滤波器,保留低频故障信号;最后,将低通滤波器输出的时域信号通过频谱分析仪显示滚动轴承故障特征频率的谱线以实现滚动轴承的实时故障诊断。用模拟电路的形式将该方法进行搭建,并在QPZZ-II实测平台完成滚动轴承的实时故障诊断。结果表明:该方法克服了单一信号源的局限性,能利用互相关函数削弱共振带内部噪声,使诊断结果具有更高的频谱辨识率,而且能够用结构简单、易于维护的模拟电路实现,对轴承实时故障诊断方法的应用与普及具有一定的参考价值。     

基于双时域微弱故障特征增强的轴承早期故障智能识别*

针对轴承早期微弱故障难以准确识别的问题,提出一种基于双时域微弱故障特征增强的轴承早期故障智能识别方法。利用广义S变换和Fourier逆变换推导出一种双时域变换,将轴承振动信号变换为双时域二维时间序列。根据双时域变换的能量分布特点,提取二维时间序列的主对角元素以构建故障特征增强的时域振动信号。仿真信号和轴承故障信号分析验证了双时域微弱故障特征增强的可行性和有效性。采用脉冲耦合神经网络和支持向量机对增强后的轴承信号进行时频特征参数提取和智能识别,平均识别精度达到了95.4%。试验结果表明所提方法能有效提高轴承早期故障的智能识别精度。