参数优化VMD的滚动轴承故障诊断方法

由于滚动轴承早期故障信号特征微弱,变分模态分解（Variational Mode Decomposition,VMD）的性能易受模态数和惩罚因子设置的影响,提出了一种自适应优化VMD参数的方法。基于中心频率判断本征模态函数（Band Limited Intrinsic Mode Functions,BIMF）是否混叠的思想提出中心频率混叠商算法,利用最小中心频率差与次小中心频率差的比值确定模态数。利用模糊熵原理,提出求和模糊熵算法优化惩罚因子。利用相关系数筛选模态分量,重构信号提取故障信息。通过对强噪声下外圈故障信号、内圈故障信号的分析,表明该方法能自适应确定模态数和惩罚因子,抑制模态混叠,能够从强噪声下有效地提取出故障信号特征,实现滚动轴承故障诊断。     

优化深度残差网络及其在强噪声环境下滚动轴承故障诊断中的应用

针对传统基于深度学习的故障诊断方法存在抗噪性能差、计算复杂度高和泛化性能不足的问题,提出了一种基于深度可分离残差网络（Depthwise Separable Residual Network,DS-ResNet）的滚动轴承故障诊断方法。采用快速傅里叶变换（Fast Fourier Transform,FFT）将滚动轴承一维振动转换到频域进行表示;利用深度可分离卷积（Depthwise Separable Convolution,DSC）计算复杂度低和逐点卷积（Pointwise Convolution,PWC）能增强网络非线性表达的优点,分别代替传统深度残差网络中的两个标准卷积层,构建出优化后的DS-ResNet模型。将各类故障状态下的频域信号作为DS-ResNet模型的输入进行识别分类,结果表明,在信噪比为-4 dB的强噪声环境中,识别准确率达到92.71%;在变转速工况下,平均识别准确率可达90.19%,高于其他常用深度学习诊断方法,且模型每轮的训练时间仅需2.16 s,证明了所提方法具有更好的抗噪性能、泛化性能和更高的诊断效率。     

变转速下对数平方包络谱在滚动轴承故障诊断中的应用

变转速工况下,转速变化会导致不同时间段峭度值出现变化,且高脉冲噪声会导致振动信号的峭度值突然变大。这些因素削弱了快速谱峭度图(Fast kurtogram,简称FK)方法提取微弱故障特征方面的性能,为了克服这些缺陷,提出一种基于对数平方包络谱的新特征--对数包络阶次循环分量(Log-envelope Order Cyclic Content,简称LEOC),构造出一种对数包络阶次循环分量图(Log-envelope Order Cycligram,简称LEOCgram)。首先使用1/3二叉树结构对原始信号进行多层次滤波,并计算每一组滤波子信号的平方包络。然后,通过计算阶次跟踪(Computed Order Tracking,简称COT)技术对每一组的平方包络序列进行角域重采样,计算每一组滤波信号的对数平方包络谱并进行自相关分析得到可能的故障特征阶。最后计算LEOC值,LEOC最大值对应的频带即为最优解调频带。将最优解调频带作为滤波器的参数对原始信号进行滤波,通过对滤波后的信号进行包络阶次分析并根据包络阶次谱的阶次结构可以确定故障类型。仿真信号和试验轴承外圈故障信号的分析结果表明,该方法...     

一种滚动轴承早期故障预警技术及试验验证

针对滚动轴承运行状态在线监测,提出一种新的滚动轴承早期故障预警技术。首先,通过二进离散小波分解提取共振频带;然后,通过自相关分析抑制频带信号中的非周期性成分并进一步提升信噪比;最后,基于小波包络频谱构造一个新的特征量,通过该特征量的变化趋势来反映轴承的健康状态。将新方法应用于滚动轴承在线监测,分别对三组滚动轴承的全寿命试验数据进行分析,结果表明,提出的在线监测技术相较于传统有效值监测更为敏感,能够更早地发现滚动轴承早期微弱故障,实现故障的早期预警及定位。     

基于LCD和改进SVM的轴承故障诊断方法

针对滚动轴承极易损伤,振动信号表现出非线性、非平稳性等特点,提出一种基于局部特征尺度分解(LCD)和改进支持向量机(SVM)的滚动轴承故障诊断算法。首先对采集到的轴承振动信号进行LCD,分解得到一系列内禀尺度分量(ISC),通过与经验模态分解(EMD)对比研究,证明了LCD方法的优越性;然后计算所有分量的能量熵值,提取出轴承信号的敏感特征集,输入到经过遗传算法(GA)进行参数优选后的SVM识别模型进行轴承状态的诊断识别。实验研究表明,基于LCD和改进SVM的轴承诊断算法能较好地提取出轴承故障特征信息,对4种轴承状态的识别率高达90%,是一种较为有效的轴承故障诊断方法。     

Finite Element Analysis of 6300 Deep Groove Ball Bearing

Rolling bearing is widely used in mechanical support, its general components are the inner ring, outer ring, the ball, retainer etc.. Now many companies in developed countries and university in the rolling bearing as the research object, and has made great progress in design theory, the experiment method and production technology etc. We will use the finite element ANSYS to establish the model of deep groove ball bearing. Through the contact analysis, we can get the contact stress between the rings and balls, strain, contact state, penetration, sliding distance and the friction stress distribution. These values are compared to the theoretical values with Hertz theory, and they have better consistency, provide the good theoretical basis for the optimization design of rolling bearings.     

基于差分振子的轴承早期故障可视化检测

运用实验的方法得出了差分振子检测的上下限频率,振子检测的上限频率只要满足采样定理即可.振子的下限检测频率与采样频率有关,在采样频率一定的条件下,振子的下限检测频率大约为采样频率的1/650,当采样频率过高时,不论振子相图收敛于极点还是极环都呈现出饼形.利用差分振子相图变化的特点,对现场数据进行分析,发现了设备故障从无到有的相图变化,为设备状态检测提供了一种方法.     

基于超声信号的轴承润滑状态监测研究

介绍了一种基于超声信号的轴承润滑状态监测与故障识别的方法。通过对不同润滑状态下轴承发出的超声信号特征的提取和分析,研究基于超声信号轴承润滑状态监测与故障诊断的可行性。试验结果显示超声信号幅值直方图可以反映轴承的润滑状态;超声信号幅值与轴承故障程度呈线性关系;不同故障状态下超声信号的特征分析显示有效值和排序熵可以作为特征用于轴承故障的自动识别。     

双自寻优小波去噪方法及其在滚动轴承故障诊断中的应用

阈值和阂值函数的选取是小波阈值去噪方法中影响去噪效果的最重要的两个因素．经典方法与后续诸多改进方法都存在两者之间相互选取无法解决耦合性的问题,难以在噪声环境中提取有用的滚动轴承故障信号．在论述了已有方法中存在的耦合性和数与数组合的问题后,提出了一种双自寻优的方法解决这种问题．双自寻优方法中把所有阈值和阈值函数的参数可能性相互组合,在这些组合中找出最优去噪组合．闽值的寻优范围由信号自身的高频死去值决定,文中给出了解决方案并予以证明,阈值函数的选取本文以带参数的软硬阈值折衷法为基准,其参数寻优范围为0到1．通过模拟轴承信号和真实轴承故障信号的实验结果表明,此算法得到了更高的信噪比和更好的图像外观．     

一种滚动轴承故障的诊断方法

针对滚动轴承的故障特点,提出了一种小波包分析、粗糙集理论和神经网络相结合的轴承诊断方法.利用小波包变换对信号进行适当层次的小波包分解,对信号的频带进行精细的分割,以各个频带信号能量的分布情况作为故障特征量,形成故障诊断决策表;接着根据粗糙集理论进行处理得到更为简明的最优诊断规则;然后根据约简结果,建立了神经网络故障诊断系统;最后以诊断实例验证了该方法的有效性和可行性.