基于VMD与时间序列分析的滚动轴承故障特征提取方法

为了在非线性、非平稳的滚动轴承故障振动信号中有效提取出敏感的故障特征,提出了基于变分模态分解(VMD)与时间序列分析相结合的特征提取方法。首先通过VMD将原始信号分解为不同预设尺度的本征模态分量(IMF),对各个IMF分量建立时间序列预测模型,通过叠加重构得到最终的预测模型,比较评价指标确定最优参数的选取。最后,通过仿真信号与滚动轴承实际故障数据分析,并与经验模式分解(EMD)进行对比,结果表明该方法能够有效的提取到故障特征频率。     

IGA优化的SOM在滚动轴承故障诊断中的应用

针对在滚动轴承故障诊断过程中难以对发生故障的类型做出正确判断,提出一种借助免疫遗传算法优化自组织映射神经网络的故障诊断模型。对采集到的滚动轴承振动信号进行集合经验模态分解,将其分解为若干个固有模态函数之和,选取含有主要故障信息的IMF分量进行能量特征的提取并归一化,输入到经过IGA优化后的SOM神经网络进行故障状态的识别。结果证明,通过优化SOM神经网络的权值,提高了故障诊断的准确性,最后通过实验验证该方法的可行性。     

转子碰摩故障动力学仿真及实验验证

为研究碰摩力及油膜力对转子碰摩系统的影响,建立在油膜力作用下的单跨双盘碰摩转子动力学模型及其运动微分方程,应用数值分析方法研究系统在参数变化下的动力学响应及混沌运动的激变特性。设计相关实验,对故障信号数据进行采集,通过仿真结果与实验结果的对比,交叉验证了模型建立的可靠性和数值分析结果的准确性。经实验研究,碰摩力及油膜力对转子系统发生故障起着极其重要的作用,建立的动力学模型为转子系统故障诊断和优化设计提供了理论依据。