多传感器信息融合在滚动轴承故障诊断中的应用

针对单一传感器在滚动轴承故障诊断中存在故障识别率不高,敏感特征不易提取,诊断系统可靠性差等问题,提出了采用多传感器特征层、决策层信息融合的故障诊断方法.对振动信号采用经验模式分解(EMD)、小波包和局部均值分解(LMD)方法进行处理并提取特征向量,构建支持向量机分类器.经过特征层交叉诊断,得到初步诊断结果,在决策层采用D-S证据理论进行决策融合.试验表明:该方法可以提高滚动轴承故障识别率.     

基于阶比复杂度的滚动轴承早期故障诊断

针对传统阶比频率分析不能有效提取滚动轴承早期故障的不足,提出一种将阶比分析、复杂度分析相结合的故障诊断新方法。通过转速传感器和振动传感器同步采集轴承的信号,运用计算阶比跟踪实现了轴承时变振动信号的等角度重采样,再计算经过重采样处理后的角域信号复杂度,将其作为故障识别的依据。最后,通过轴承实测数据的诊断与对比试验验证了该方法的正确性。     

基于阶比分析和EEMD的轴承故障诊断

针对轴承故障诊断中轴的转速变化影响振动信号提取的特点,将阶比分析法与总体平均经验模式分解方法相结合,提出一种研究轴承非平稳振动信号的故障诊断方法。对轴承的振动信号按传统的方法在时域上进行采样,通过计算阶比跟踪将其转化为角域上的准平稳信号,对上述角域信号进行总体平均经验模态分解得出包含故障信息的模态函数分量,并对该分量进行频谱分析。应用结果表明:该方法能够有效地提取出轴承的故障特征。