基于LabVIEW的滚动轴承故障诊断系统

设计了一种基于LabVIEW的滚动轴承故障诊断系统,将测振仪输出的振动信号通过BNC-2120附件和NI-USB6009数据采集卡进行A/D转换后送至计算机,然后采用LabVIEW语言设计的软件平台在时域和频域内对振动信号进行了故障诊断,并实现了测量结果的实时显示、存储和打印等功能。     

基于LabVIEW和cRIO的滚动轴承故障诊断系统设计

监测与故障诊断技术是维持轨道交通平稳运行的重要保障,也是现代化交通不可或缺的关键环节.文中设计了一种基于LabVIEW和cRIO相结合的轨道交通滚动轴承监测与故障诊断系统.系统采用NI-cRIO9075机箱和NI9215电压模块作为硬件,利用LabVIEW完成信号的采集、存储、图形显示以及命令的执行,通过调用MATLA...     

用LabVIEW实现滚动轴承远程故障诊断

介绍了LabVIEW中Remote Panels的技术结构和原理,构建了实现信号远距离传输、监测与分析的系统,给出了远程轴承故障诊断系统的实例,讨论了如何利用功能模块搭建网络传输程序,以及通过网络浏览器访问诊断结果的方法。     

基于LabVIEW的包络谱分析在滚动轴承故障诊断中的研究

滚动轴承在故障早期故障信号非常微弱,难以提取。因此本文结合LabVIEW强大的信号处理功能对信号进行滤波然后对表征轴承故障的模态分量进行包络谱分析,经过傅里叶变换判断轴承故障信息。通过实验结果表明:基于LabVIEW的包络谱分析能够有效的辨别出滚动轴承的故障信息。     

基于虚拟仪器技术的滚动轴承故障诊断系统

基于虚拟仪器技术的思想,利用labview软件设计并搭建了滚动轴承振动测试及故障诊断系统。通过对滚动轴承振动信号的采集及处理,得到轴承的各项振动性能参数。系统能够根据参数值、振动的时域图以及频谱图,对轴承状态进行准确判断,并可显示出故障产生部位及其发展趋势。     

基于小波变换的滚动轴承故障诊断系统

在分析了滚动轴承振动与故障之间联系的基础上,提出了通过共振解调法和小波多尺度分析对轴承进行故障诊断的方法.采用小波变换能有效地对滚动轴承振动信号进行带通滤波,分离出高频固有信号,对其进行包络分析,以获得故障特征频率,诊断故障发生的部位.仿真实验证明,该方法具有令人满意的效果.     

基于HHT的机电系统滚动轴承故障诊断

滚动轴承是旋转机械中最常用的零件,它也是最容易损坏的零件之一.滚动轴承的质量直接影响整个机械系统的运行.采用经验模态分解(Empirical Mode Decomposition,EMD)与Hilbert变换相结合的HHT(Hilbert-Huang Transform)方法,对滚动轴承的故障机理和故障特征进行分析.通过实际应用与传统的时域分析、频谱分析方法相比较,该方法更能提取滚动轴承故障特征,并且所得结果与理论上滚动轴承的故障特征是一致的,因此,HHT方法对滚动轴承故障诊断是有效的、可行的.     

滚动轴承故障诊断虚拟仪器系统

针对目前国内轴承振动测量仪不能识别轴承异常声的问题，设计了一种新的轴承故障诊断仪器系统。该系统除集成了现有轴承振动测量仪的所有功能，并进行了功能扩展，介绍了噪声与振动之间的关系、仪器系统的设计方案和系统的应用前景。     

基于LabVIEW的滚动轴承缺陷在线智能检测系统

为了控制出厂轴承的质量,开发了一种基于LabVIEW的滚动轴承缺陷在线智能检测及分选系统。该系统由机械装置和控制系统组成,实现振动信号检测、智能分析和动作控制。系统采用工控机采集振动信号并智能诊断轴承缺陷,采用PLC实现动作控制。系统的振动信号采样与分析软件系统是基于LabVIEW实现的。实验结果及分析表明,缺陷检测系统可以有效地在线识别多种轴承早期缺陷。目前该系统已成功地应用在滚动轴承生产现场,连接于轴承自动装配线中。     

基于虚拟仪器的滚动轴承故障诊断系统的设计

根据滚动轴承信号的特点,提出了一种基于小波包分解和共振解调技术相结合的滚动轴承故障诊断方法,并开发了基于虚拟仪器的故障诊断系统.首先采用小波包将信号进行分解,再利用共振解调技术分析小波包的高频段,以诊断轴承故障.然后运用LabVIEW图形化编程语言设计了相应的滚动轴承故障诊断程序,最后在ADBE-56-N4型交流电机上实测了6305型滚动轴承故障模拟信号,分析结果表明,该方法有效地提取了故障特征和诊断轴承故障,有很好的实用性和有效性.     

基于小波神经网络的滚动轴承智能故障诊断系统

通过对滚动轴承振动信号特征分析,采用小波包变换方法对其建立频域能量特征向量以减少输入维数,进而构造出了轴承特征空间和故障空间的模式,然后采用径向基函数人工神经网络,通过该网络的学习和训练,实现了两个空间之间的非线性映射,完成了滚动轴承故障模式的识别.同时应用Matlab软件强大的计算功能,设计建立了滚动轴承智能故障诊断系统.理论和实验证明了该系统的有效性,且具有较高的识别精度.     

基于LabVIEW的电力机车光栅传感器故障诊断系统

针对传感器故障诊断的需要,利用了PCI-8335A数据采集卡完成了传感器故障参数数据采集系统的硬件设计.整个系统由计算机、数据采集卡、步进电机及其信号处理电路等部分组成,该系统能实现对传感器输出信号的高速采集,并通过软件处理系统的深度分析,进而完成对传感器的性能评价和故障诊断,为传感器的检修提供了保证.     

基于WPD-HHT的滚动轴承故障诊断

在分析小波包分解(WPD)和HilbertHuang变换(HHT)的基础上,通过将WPD和HHT相结合,引进了一种故障诊断方法(WPDHHT)。仿真和实验表明,此方法能有效提取周期性脉冲成分并抑制噪声。     

基于DHMM的滚动轴承故障诊断

针对传统神经网络模型训练时需求的样本量大、训练收敛速度慢、甚至不能完成训练的问题,提出一种具有良好分类能力的模式识别方法——离散隐马尔可夫模型(DHMM)。以滚动轴承为研究对象,对振动信号进行分帧处理,通过小波包分解方法得到其特征参数,再由主成分分析方法 (PCA)对特征参数进行降维优化,利用简化后特征参数矢量训练各轴承状态的DHMM,最后由训练好的DHMM实现滚动轴承运行状态监测与故障诊断。实验研究表明:该方法能够有效地实现滚动轴承的状态识别,并且需要的样本量少,训练速度快,对实现滚动轴承运行状态的智能化在线监测具有重要的意义。     

基于IWOA-SVM的滚动轴承故障诊断

针对滚动轴承振动信号故障难以识别的问题,创建一种应用改进鲸鱼优化算法（IWOA）优化支持向量机（SVM）的故障诊断模型。首先将轴承振动信号特征通过VMD的方式提取;其次,为改进鲸鱼优化算法,采取精英反向学习策略增强种群的广泛性,选用非线性因子并加入随机扰动策略增强探索能力;通过4组基准测试函数,将IWOA与4种优化算法对照分析,验证了此改进算法的优越性;最后,将SVM的惩罚参数和核函数参数放入IWOA中,构建IWOA-SVM故障分类模型。故障诊断的结果表明,用IWOA-SVM分类模型在故障诊断中拥有更好的效果,准确率达到100%。     

基于LMD的滚动轴承故障诊断

滚动轴承是发动机中重要的零部件之一,其发生故障时会导致整个机器无法运转。论文通过局域均值分解(LMD)方法将信号分解为若干个有物理意义的乘积函数分量(PF),然后对上述分量的包络谱进行分析,识别其特征频率,完成对滚动轴承具体故障位置的诊断。通过仿真分析和内圈模拟点蚀故障试验,证明了该方法能够用于准确识别滚动轴承故障特征。     

基于MEEMD-DHENN的滚动轴承故障诊断

针对滚动轴承故障信号非平稳、非线性的特点,提出了把改进的经验模态分解(Modified Ensemble EMD,MEEMD)与双隐层Elman神经网络(Double Hidden-layer Elman Neural Network,DHENN)相结合识别故障类型的方法。用MEEMD选出主要本征模态函数(Principal Intrinsic Mode Function,PIMF),先计算出经补充的总体平均经验模态分解(Complementary Ensemble Empirical Mode Decomposition,CEEMD)得到的各IMF的排列熵值,剔除虚假分量;再对其余分量进行重构用经验模态分解(Empirical mode decomposition,EMD),计算各IMF的方差贡献率,排除贡献率最小的,即为PIMF,经希尔伯特变换求出其能量熵值,构成特征矩阵。构建了双隐层Elman神经网络对故障类型进行识别,通过经验公式与实验得到最佳隐层节点组合,最后与EMD-DHENN和MEEMD-ENN的测试结果相对比,表明基于MEEMD-DHENN识别方法只需迭代26步即可对轴承故障准确分类。     

LMD的LabVIEW实现及在滚动轴承故障诊断中的应用

根据局部均值分解算法原理开发出LabVIEW的LMD模块,并对主程序中的各子模块进行了简要介绍,该模块的开发将更有利于在LabVIEW平台上搭建振动测试分析系统。最后利用开发的LMD模块对实际采集的滚动轴承内圈、外圈和滚动体故障信号分别进行分析,结果表明,该模块能够准确地提取轴承的故障特征信息,可以满足实际工程应用的要求。     

基于VMD-VGG的滚动轴承故障诊断

针对滚动轴承信号重构误差大,信号来源复杂等问题,提出了变分模态分解(VMD)算法与VGG神经网络相结合的滚动轴承故障诊断方法。首先,为避免VMD在工程应用中人为参数设置不合理导致的模态混叠等现象,提出应用中心频率计算分离系数,选取最佳模态个数的策略;然后,对VMD分解后各模态分量的能量熵与频率峰值等进行数值分析,剔除能量熵较小的信号,并将各模态信号依据频率峰值进行重构,得到故障特征向量;最后,构建VGG故障诊断模型,实现滚动轴承的故障分类。轴承振动信号与电动机定子电流信号对所提方法的验证结果表明,VMD-VGG方法可以有效分解这2种故障信号,而且具有较高的故障识别精度。     

基于虚拟仪器的滚动轴承故障诊断

从振动信号中分离出反映轴承故障的周期性冲击响应成分是信号分析与处理的关键,将共振解调法与自适应谱线增强技术相结合,基于LabWindows/CVI开发了轴承故障诊断虚拟仪器系统,结果表明,此系统能够有效地提高信噪比,可应用于滚动轴承振动信号处理和故障诊断。