共查询到18条相似文献,搜索用时 62 毫秒
1.
循环统计量方法在滚动轴承故障诊断中的应用 总被引:7,自引:0,他引:7
为了处理滚动轴承故障振动信号中的调制现象,利用循环统计理论,分析了二阶统计量循环自相关函数和循环谱密度的特性。基于故障调幅信号模型推导出循环自相关函数的解调原理,指出调幅信号各成分在循环谱密度中的分布频段,提出在循环频率域中提取调幅信号的调制源的方法。该原理和方法通过仿真信号进行验证,应用于滚动轴承的内、外圈及滚动体的故障诊断,有效地提取出故障特征频率。 相似文献
2.
根据循环自相关函数等于两个移频形式的互相关及循环自相关函数的周期性特征,提出基于FFT及IFFT的循环自相关函数算法,该算法将周期函数的互相关快速算法引入循环自相关函数的计算中,相对直接按公式的计算大大提高了速度.由该算法得到的循环自相关函数进行谱分析及平方谱分析,进一步证明了该算法的正确性.最后将该算法应用于滚动轴承故障诊断中,通过对滚动轴承内圈故障及外圈故障信号的分析,证明该算法的实用性. 相似文献
3.
针对滚动轴承故障振动信号非平稳的特征,以及传统傅里叶变换不能反映信号细节的缺陷,引入了一种基于本征模态函数包络谱的方法。首先,采用经验模态分解(empirical mode decomposition,EMD)将滚动轴承故障振动信号分解成若干个本征模态函数(intrinsic mode function,IMF)之和;然后,求出包含主要信息成分的IMF分量的Hilbert包络谱;最后,对照滚动轴承故障特征频率,进而判定故障类型。通过对滚动轴承内圈、外圈故障振动信号的分析处理,表明该方法能有效地提取滚动轴承的故障特征。 相似文献
4.
针对滚动轴承局部损伤故障诊断问题,提出一种基于本征时间尺度分解(ITD)和切片双谱的故障诊断方法。首先利用ITD方法将轴承故障信号分解为若干个合理旋转(PR)分量,然后对PR分量进行包络解调,并计算其切片双谱,提取轴承故障信号由于二次相位耦合产生的非线性特征,确定轴承故障类型。为加快分解速度并减少分解运算量,对ITD方法迭代终止条件进行改进。对仿真信号的分析表明,ITD方法对信噪比较低的信号具有很好的分解效果,并验证了切片双谱在抑制噪声和剔除非二次相位耦合谐波方面的优势。 相似文献
5.
6.
7.
针对短时傅里叶变换、小波变换等传统信号预处理方法易受噪声影响的问题,提出了一种基于谱相关密度和卷积神经网络的滚动轴承故障诊断方法(SCD-CNN)。首先,利用谱相关密度能有效抑制高斯噪声的优点,将一维振动信号转变为二维谱相关密度图,用于提高卷积神经网络输入信号的信噪比;然后,将谱相关密度图作为卷积神经网络的输入,通过二维卷积神经网络实现轴承故障特征提取和分类;最后,利用凯斯西储大学标准轴承数据集的试验结果表明,相对于STFT-CNN和CWT-CNN模型,SCD-CNN模型具有更高的故障识别准确率(98.97%)。另外,对SCD-CNN模型的诊断结果,不同阶段的特征图以及分类过程进行了可视化分析,探讨了SCD-CNN模型故障识别准确率提高的深层次原因。 相似文献
8.
基于1 1/2维谱的滚动轴承故障诊断 总被引:8,自引:0,他引:8
提出了基于11/2维谱的滚动轴承故障诊断新方法。11/2维谱保留了信号的相位信息且能够有效抑制噪声。用11/2维谱分析滚动轴承振动信号,可以提取由于二次相位耦合产生的非线性特征,识别故障模式。试验结果表明,这种方法能有效地诊断滚动轴承故障,且对初期故障很敏感。 相似文献
9.
10.
基于SVD降噪和谱峭度的滚动轴承故障诊断 总被引:1,自引:0,他引:1
提出将奇异值分解(SVD)和谱峭度结合的滚动轴承故障诊断方法.首先,将原始振动信号构造为Hankel矩阵,进行奇异值分解,并利用奇异值差分谱进行有效的消噪;然后,利用谱峭度所得的峭度图选择最佳的带宽和中心频率对降噪后的信号进行带通滤波;最后,对滤波后的信号进行平方包络和Fourier变换得到包络解调谱,即可实现故障特征的提取.对滚动轴承故障试验信号的分析表明,该方法可以有效地提取故障特征频率,实现故障诊断. 相似文献
11.
12.
为了对旋转机械中滚动轴承的运行状态进行故障监测和诊断,提出了一种基于EMD和Hilbert包络谱的滚动轴承故障诊断新方法.通过在滚动轴承实验台上提取振动信号,用EMD对数据进行分解得振动信号的固有模态函数分量(IMF分量),然后对IMF作Hilbert包络并进行谱分析.结果表明,该方法能够准确地识别和诊断出滚动轴承的运行状态和故障类型,非常适合滚动轴承故障精确诊断,具有很高的工程实用价值. 相似文献
13.
14.
15.
16.
滚动轴承是旋转机械的重要典型零部件,本文将自回归(AR)模型应用于滚动轴承故障诊断,对其时域信号建立自回归模型,计算出其AR功率谱,并和经典功率谱进行比较,进而判断轴承的工作状态。实验结果表明,该方法能简单有效地识别滚动轴承故障。 相似文献
17.
针对滚动轴承故障智能诊断问题,提出一种基于时序模型和可拓学的滚动轴承故障诊断方法.利用时序模型中的AR(Autoregressive Model)模型对轴承振动信号进行特征提取,以AR模型的自回归参数和残差方差作为特征向量,再利用Fisher比对AR模型的特征向量进行选择,将最终所形成的特征向量作为可拓物元模型的特征参数,以此特征参数来建立轴承不同健康状态下物元模型的经典域和所有状态下物元模型的节域.将待测数据输入到已建立的滚动轴承不同健康状态对应的物元模型之中,通过关联函数来计算待测数据与滚动轴承不同健康状态的综合关联度,实现滚动轴承状态的可拓学定性与定量诊断.进行了滚动轴承包含不同故障类型和故障程度的十种不同健康状态识别实验,每次随机选取训练样本,100次测试的平均识别率达98.86%,较基于AR模型和BP神经网络的传统诊断方法效果要好. 相似文献
18.
针对小波分析无法全面准确描述滚动轴承振动信号的非高斯问题,提出一种结合小波变换与对数正态分布模型的故障特征提取方法,以提取能准确反映滚动轴承运行状态的特征信息。首先,通过小波变换对滚动轴承运行时产生的非平稳、非高斯振动信号进行分解重构,得到不同尺度下的重构信号;然后对重构信号建立对数正态分布模型,提取模型的对数均值和对数标准差作为表征滚动轴承运行状态的统计特征;最后采用支持向量机分类器对提取的特征进行故障分类与识别。实验结果表明,该方法可以有效、准确地识别滚动轴承的运行状态。 相似文献