基于LMD切片双谱和SVM轴承故障诊断研究

针对滚动轴承发生点蚀故障时峭度和1倍频能量都会发生变化的情况,提出了基于局部均值对故障信号进行分解的方法。该方法取峭度值较大有效分量信号进行重构,再做切片双谱进一步降低高斯噪声对特征频率的影响,提取故障特征1倍频、2倍频和3倍频并进行归一化处理得到特征向量。利用支持向量机对提取的特征向量进行训练与测试,从而识别故障与否及发生点蚀故障的程度。通过对实测滚动轴承振动信号的分析与诊断,验证了该方法的有效性,说明其具有良好的应用前景。     

基于Teager能量算子和EEMD的滚动轴承故障诊断方法

针对应用集合经验模态分解(ensemble empirical mode decomposition,EEMD)方法难以提取强噪声背景下滚动轴承微弱故障特征的问题,提出了将最小熵反褶积(minimum entropy deconvolution,MED)和小波阈值去噪与EEMD相结合的改进方法.先采用MED对滚动轴承振动信号降噪,增强冲击特征;然后利用基于EEMD的小波阈值去噪方法处理降噪后信号得到一组固有模态分量(intrinsic mode function,IMF),并依据相关系数准则剔除虚假分量;对重构后信号进行Teager能量算子解调分析,提取其微弱故障特征.通过仿真信号和实验台信号验证了该改进方法的有效性.     

基于振动响应机理的轴承故障定量诊断及量化分析

为了解决轴承损伤尺寸难以诊断的问题,建立滚动轴承非线性振动的动力学模型,并通过解析法求解轴承4种不同大小的故障振动信号响应,根据故障轴承响应信号的双冲击时间间隔对轴承故障进行定量分析,分析结果表明了该定量分析方法的准确性.进而对多组不同故障大小的轴承数据进行统计学分析,建立了轴承外圈损伤程度区间.滚动轴承外圈实验结果验证了提出的基于故障机理的轴承故障定量诊断方法的有效性.     

基于EMD的FCMM降噪和故障诊断

为了解决现场三坐标测量机(FCMM)在加工车间现场环境下由于振动、环境因素等干扰造成的输出带有较强背景噪声而可能导致滚动轴承发生故障的问题,提出一种基于经验模态分解(EMD)的FCMM降噪和故障诊断方法,对FCMM输出进行EMD分解得出本征模态函数(IMF)分量,采用互相关系数准则法对IMF分量降噪重构,同时进行边际谱分析,从中提取故障特征频率。实验根据FCMM速度参数测量数据,结合Matlab仿真方法,得到FCMM输出速度数据的IMF分量与原始速度数据之间的互相关系数表以及IMF分量边际谱图。实验结果验证了EMD方法滤波效果明显,故障分析手段可靠。     

基于双谱估计的滚动轴承故障特征的研究

提出了基于双谱估计的滚动轴承诊断的方法。利用双谱函数做出滚动轴承故障信号的特征图谱，并加以分析。实验表明，双谱可以敏感地监测滚动轴承故障的出现，并且可以有效地识别滚动轴承不同的故障特征。     

基于EEMD能量比和GG聚类的滚动轴承故障诊断

针对滚动轴承故障特征提取困难导致故障类型难以辨识的问题,提出基于集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)和GG(Gath-Geva,GG)聚类的轴承故障诊断方法。首先,使用EEMD分解方法对轴承的振动信号进行分解,结合相关系数原则提取含有主要故障信息的4个固有模态函数(IMF)分量,计算其能量百分比作为特征值,再用GG聚类对特征值进行聚类分析。通过仿真验证了GG聚类的优越性,然后采用文中提出的GG聚类方法与FCM聚类、GK聚类对轴承故障数据的聚类效果进行对比分析,验证了文中所提方法在滚动轴承故障识别中的可行性。     

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.     

基于VMD与IFWA-SVM的滚动轴承故障诊断研究北大核心

为有效提取非平稳性、复杂性的滚动轴承振动信号特征,提出一种基于变分模态分解、改进烟花算法(IFWA)优化支持向量机(SVM)的滚动轴承故障诊断方法。利用VMD对原始信号进行分解,计算得到各IMF的样本熵,将原始信号的时域特征与其结合组成特征矩阵。为提高故障诊断效率,采用IFWA优化SVM,建立IFWA-SVM模型。使用训练集特征矩阵训练诊断模型,实现滚动轴承的故障诊断。利用实测信号验证该方法,并与粒子群算法优化进行比较。结果表明:利用该方法进行诊断,正确率提高了3.33%、训练时间缩短了21.55 s,验证了该方法的可行性。     

基于机智云平台的滚动轴承在线监测系统

设计了一种基于云平台的滚动轴承在线监测系统,信号采集模块将振动传感器输出的振动信号进行变换,再通过有源滤波模块处理后交给控制器,控制器内部进行A/D采样,随后处理器对A/D采样后的信号进行参数的运算,最后将参数通过云平台传输协议模块,在利用WiFi转发给远程机智云平台服务器.该系统为滚动轴承的监测提供了一个平台,在这个平台上工程人员可以通过远程的云服务器和APP终端对滚动轴承的状态进行了解,很大程度上减少了工程人员的工作量,提高了对滚动轴承监测的效率.     

基于一维RepVGG协同领域自适应的电机滚动轴承故障诊断

在使用传统机器学习类方法对电机滚动轴承故障进行诊断时,电机运行工况的变化以及采集信号时的噪声干扰,会出现源域训练集和目标域测试集分布不一致的问题。提出了基于一维RepVGG协同领域自适应的故障诊断方法。RepVGG具有精度高和速度快的特点,使用一维RepVGG实现对电机滚动轴承信号的特征提取;基于提取的特征,在网络顶层结构中使用集成优化目标函数来实现域自适应,并完成轴承故障诊断。基于凯斯西储大学轴承数据集,对该方法进行了实验验证。实验结果表明,在电机变工况运行时,改进方法为诊断性能优于现有其他诊断方法。