基于Hilbert变换的滚动轴承故障诊断

滚动轴承是工业应用系统中的重要部件,其引发的故障是引起机器设备失效的重要原因。Hilbert变换基于滚动轴承故障引发的高频固有振动,提取包络信号。通过包络信号进行频谱分析从而提取滚动轴承的故障特征信息。通过采集内圈故障、外圈故障的滚动轴承振动信号,采用Hilbert变换对轴承的振动信号进行了分析,验证了Hilbert包络解调技术在滚动轴承故障诊断中的有效性。     

基于复小波多尺度包络谱的滚动轴承故障诊断研究

提出一种新的滚动轴承故障信号处理方法—复小波多尺度包络谱,通过分析连续小波变换后各尺度信号的包络谱来识别滚动轴承缺陷频率,以此来诊断滚动轴承的外圈、内圈和滚动体故障,该方法解决了传统包络解调方法在操作中需要确定滤波器中心频率和带宽的难题,实验证明了该方法的有效性。     

基于小波包包络分析的滚动轴承故障诊断

提出一种基于小波包、能量分析和包络分析相结合的滚动轴承故障诊断方法。对实测振动信号进行小波包去噪,提取出有用的振动信号。利用小波包将去噪后的信号分解,求出分解后各频带的能量,根据各频带内能量分布,确定故障所在频带,并以此作为特征分量。对特征分量进行Hilbert解调分析,将包络谱谱峰处的频率与理论计算的滚动轴承故障频率进行对比,诊断轴承故障并确定故障位置。     

基于振动的滚动轴承故障诊断技术研究

从振动信号处理角度阐述了滚动轴承故障诊断的诊断流程,总结了时域分析、频域分析(包括倒频谱分析、包络分析和谱峭度法)、小波分析、循环平稳信号分析4种主流的滚动轴承故障特征信号提取处理方法最新研究进展。并在此基础上,进一步指出了该技术的发展方向。     

基于零空间追踪和包络谱的滚动轴承故障诊断

从振动信号中提取故障特征是滚动轴承故障诊断的常用方法。提出了利用零空间追踪算法和包络谱分析进行滚动轴承故障诊断的方法。首先对轴承故障振动信号进行零空间追踪(Null Space Pursuit)分解,降低噪声的干扰,提取高能量成分。然后对高能量分量进行包络谱分析得到振动信号特征频率,与理论故障特征频率对比后确定故障类型。仿真和试验结果显示该方法能够成功提取特征频率,辨别轴承故障类型,具有一定的实际意义。     

Hilbert变换在滚动轴承故障诊断中的应用

针对滚动轴承故障特征的提取问题,讨论了Hilbert变换的基本原理,以及基于Hilbert变换的包络解调方法在滚动轴承故障诊断中的应用,并用LabVIEW编制了相应的程序。实践表明,基于Hilbert变换的包络解调方法具有明显的诊断意义。     

基于HHT时域边际谱的滚动轴承故障诊断

HHT(Hilbert-Huang变换)是一种适合处理非平稳和非线性过程的信号处理方法。提出了一种基于HHT的时域边际谱方法。该方法与传统Hilbert边际谱不同,代表单位时间内幅度的累加,体现信号时域特性。在滚动轴承的实验中,能够成功辨识滚动轴承内圈和外圈的故障特征,验证了该方法处理滚动轴承故障的可行性。     

滚动轴承早期故障智能诊断方法

滚动轴承的早期故障特征微弱,针对该问题,提出了一种信号包络时频变换卷积神经网络(CNN)故障诊断方法,以实现滚动轴承早期故障诊断。实验结果表明,所提方法不仅减少了训练数据,还具有较高的准确率和稳定性。     

基于MEEMD样本熵与BAS-BP的轴承故障诊断

为了提高煤矿机械设备可靠性、降低维修成本,提出一种基于改进的集成经验模态分解(MEEMD)样本熵与天牛须搜索(BAS)算法优化BP神经网络的轴承故障诊断方法。首先,利用MEEMD算法分解振动信号并根据峭度准则和相关系数筛选出主要IMF分量;其次,提取前4阶分量的样本熵;最后,将样本熵值归一化后组成特征向量输入到BAS-BP分类器中,利用BAS算法搜索最佳参数进行故障诊断。利用凯斯西储大学的轴承数据集进行分析,并与BP、GA-BP神经网络的诊断结果进行对比,结果表明,该方法能够有效识别出轴承故障,分类效果优于BP、GA-BP神经网络,分类准确率达到95%。     

基于专家系统滚动轴承故障诊断研究

通过应用专家系统对滚动轴承故障进行诊断,在专家系统的知识库中输入了有丰富经验的维修人员通过看、听、触、测得到的故障现象和排除故障的方法,该系统通过人机交互界面实现,使维修人员可以快速找出滚动轴承的故障并进行排除,节约时间,提高效率。     

基于MFE的滚动轴承故障诊断方法研究

针对滚动轴承故障振动信号含噪声多、复杂程度高的特点,为实现准确的故障诊断,提出一种基于多尺度模糊熵(MFE)的滚动轴承故障诊断方法。由于LCD方法可以起到降噪的作用,故选用LCD分解后的ISC分量作为粗粒序列,计算分量的MFE。将MFE计算得到的特征参数输入到极限学习机(ELM)分类器中,分类识别滚动轴承的4种状态。实验结果表明,该方法可以有效地提取出滚动轴承的故障特征,实现故障诊断。     

基于小波包分解的滚动轴承故障诊断方法的研究

介绍了小波包分析的基本理论,并以滚动轴承为研究对象,将小波包分析应用于轴承的故障诊断。首先用小波包分解的方法提取分解频带的能量在时间域上的分布,得到能量谱图,然后通过包络分析得到信号的功率谱,由此可判断出轴承的故障位置。     

基于盒维数的滚动轴承故障诊断

针对滚动轴承振动信号的特点 ,从分形原理出发 ,利用盒维数的概念 ,对由滚动轴承故障产生的非平稳、非线性信号进行了分形特征的盒维数定量描述。试验结果表明 ,由于滚动轴承不同故障动力学产生的机制不同 ,其盒维数明显不同。因此利用盒维数可以准确地诊断出滚动轴承的工作状态     

基于小波分析的滚动轴承故障诊断

通过典型信号的MATLAB仿真讨论了小波在检测信号突变点时的选取原则。针对滚动轴承故障振动信号,先进行小波消噪,再进行小波分解与重构,对重构后的细节信号作Hilbert包络并进行谱分析,从功率谱中可清晰地识别出滚动轴承故障特征频率。     

采用GA-BP算法和EMD的滚动轴承故障诊断方法

针对滚动轴承故障识别和分类问题,提出一种采用GA-BP算法结合经验模态分解(EMD)方法的滚动轴承故障识别方法。该方法首先利用EMD方法对不同类型的故障信号进行分解,获得若干个阶次的IMF分量,然后求出其能量占比,并构造相应特征向量组,最后将特征向量组输入遗传算法(GA)优化的BP神经网络中进行训练和测试,进而对故障进行分类和识别。结果表明,该方法能有效提取滚动轴承故障特征信息,并快速地对不同故障类型进行识别。     

基于LabVIEW的滚动轴承故障诊断系统

通过对滚动轴承工作特性及其故障研究,设计了基于LabVIEW软件的滚动轴承故障诊断系统。分析了滚动轴承振动机理与失效形式,运用共振解调分析与希尔伯特变换作为滚动轴承故障诊断的方法。通过对轴承支持架故障分析表明该系统对滚动轴承故障诊断正确有效。     

滚动轴承故障的综合诊断

介绍了滚动轴承状态的监测方法及其故障预报分析的现场技术流程，通过温度、冲击脉冲和振动检测的手段，结合现场情况分析故障的方向，采用排除法给故障定位，并作出定性的判断；利用滚动轴承的运动模型，依据滚动轴承可能发生的故障，计算其频率，并与频谱分析中的特征频率进行比较，得出故障预报结论，还论述了滚动轴承综合诊断的实际意义。     

基于VMD-PE和M-RVM的滚动轴承故障诊断

针对传统EMD易产生模态混叠,原始SVM、RVM方法存在核函数选取困难、识别效率低等问题,提出一种基于变分模态分解(VMD)、排列熵(PE)以及混合蝙蝠算法(BA)优化的多分类相关向量机(M-RVM)的轴承故障智能诊断方法。首先,VMD分解故障信号,获得本征模态函数(IMF);然后将PE用于IMF的故障特征提取过程,形成特征序列;最后,将所得的特征序列输入基于混合BA优化的M-RVM故障诊断模型,对不同故障进行分类识别。对试验数据的分析结果表明,基于VMD-PE与M-RVM的滚动轴承故障诊断可以提高轴承故障诊断的准确度。