MED方法及在滚动轴承故障诊断中的应用

介绍了最小熵解卷积（ Minimum Entropy Deconvolution, MED）的原理和实现步骤,说明了参数选择方法。为有效抑制噪声,增强故障特征信息,提出MED结合包络自相关的方法。通过实验台信号验证了所述方法的有效性及优点。     

列车滚动轴承故障诊断

利用脉冲共振解调振动测试技术研制了一套滚动轴承故障诊断系统.该系统可有效地对197726型滚动轴承进行故障诊断,并已在铁路现场实测应用.文中给出了一些实验检测结果.     

故障诊断中滚动轴承数据库系统的设计及应用

针对故障诊断过程中滚动轴承型号复杂、种类繁多，生产厂商各异的情况，利用Powerbuilder这一强大的数据库开发工具，设计出可广泛应用于设备状态监测、故障诊断和预知维修领域的滚动轴承数据库系统，并以实例说明了该数据库系统在故障诊断中的作用。     

滚动轴承故障诊断数据库系统的设计与应用

针对滚动轴承故障特征频率难以获取的事实，本文利用PowerBuilder强大的数据库功能，设计出一套数据完整、查询维护方便的滚动轴承数据库系统，同时以实例说明该系统可广泛应用于设备状态监测、故障诊断和预知维修领域。     

基于改进阈值函数及SVM的滚动轴承故障诊断

为了提高稀缺的滚动轴承故障样本的利用价值,以及针对支持向量机对噪声敏感的特点,提出了基于小波阈值去噪和SVM的轴承运行状态识别的新方法。对现有故障轴承振动信号样本进行小波阈值去噪,得到相应的去噪后样本。在此基础上结合SVM的参数寻优进行SVM模型的初步建立,并将错分样本重新去噪后进行SVM模型的重建,直到惩罚因子和交叉验证的精度达到预定标准,从而实现最优模型的建立以及轴承状态的识别。但是传统的软硬阈值函数各自存在的不足制约了信号去噪和特征提取的效果,并且无法实现去噪处理的可调性,因此,首先提出了一种改进的阈值函数,并结合MATLAB仿真实验分析了其优点。最后的滚动轴承诊断实例表明,引入改进阈值函数的去噪法能有效提高样本数据利用率和SVM的抗噪与泛化能力以及滚动轴承智能诊断的可靠性。     

改进的傅里叶分解算法及其在滚动轴承故障诊断的应用

针对滚动轴承早期微弱故障在噪声背景下难以提取的问题,提出一种改进的傅里叶分解(IFDM)与快速谱峭度相结合的新方法,用以准确、快速地识别故障特征成分。傅里叶分解法能将故障信号自适应地分解为一系列瞬时频率具有明确物理意义的固有频带函数(FIBFs),类似于经验模态分解产生的本征模态函数,但其缺点在于无法控制所生成的FIBFs数量,如信号本身调制成分太多或受噪声影响太大,则直接运用傅里叶分解算法(FDM)会产生大量无意义的FIBFs,造成大量计算时间浪费,增加数据处理难度。为此,提出一种改进的FDM方法,该方法使用快速谱峭度法对故障信号进行预处理,自适应地确定滤波器的最佳参数及故障所在频带,然后仅在该频带上使用改进的FDM分解,因此在准确提取出故障频率成分的同时极大地减少计算量。对仿真及轴承实际故障信号的分析结果表明,该方法能更准确识别故障特征。     

基于SPWVD-CNN的滚动轴承故障诊断

针对传统的滚动轴承故障诊断方法难以提取轴承振动数据有效特征的缺陷,提出一种基于平滑伪Wigner-Vill分布(smooth and pseudo Wigner-Ville distribution,SPWVD)和卷积神经网络(convolutional neural network,CNN)的网络模型SPWVD-CNN。对振动数据进行平滑伪Wigner-Vill分布变换,将获得的时频图进行压缩,作为CNN的输入,利用迁移学习的思想进行网络训练,使得模型对于不同负载的数据具有良好的诊断性能,提高了网络的泛化能力。实验结果表明:SPWVD-CNN对轴承故障数据的平均分类准确率提升至99.27%,总体性能优于使用单一的CNN和其他传统的故障诊断方法。     

基于小波变换的信号奇异性检测在滚动轴承故障诊断中的应用研究

在论述了基于小波变换模极大值的信号奇异性检测原理和方法的基础上，将其用于滚动轴承的故障诊断，准确定位故障信号的发生位置，并建立起表征信号奇异性的Lipschitz指数与轴承故障严重程度之间的关系。该诊断方法有着很高的工程应用价值。     

基于倒频谱技术的滚动轴承故障诊断

以数控机床为例,介绍倒频谱在滚动轴承故障诊断中的应用,通过监测轴承振动状态,采集振动信号波形,借助MATLAB对信号的强大处理功能,进行倒频谱分析,从而实现对设备的预诊断,避免突发性事故造成重大经济损失.     

堆叠稀疏自编码深度神经网络算法及其在滚动轴承故障诊断中的应用

针对目前机械设备故障数据量大、多样性且主要采用监督式学习提取故障特征的现状,提出一种堆叠稀疏自编码深度神经网络,实现无监督学习提取振动信号内在特征,并用于滚动轴承故障诊断。将频谱包络线作为低层输入逐层训练网络,获取故障特征表达,输入Softmax分类器实现故障分类;通过优化算法对整个深度神经网络进行微调,提高分类精度。滚动轴承故障诊断实验结果表明：所提出的深度神经网络能更准确地实现故障诊断,且在保证准确率的同时将频谱包络线作为低层输入,能够提高计算效率     

基于SSD和MPE的滚动轴承故障诊断方法

为了解决滚动轴承故障特征难以提取的问题,提出了一种奇异谱分解(SSD)和多尺度排列熵(MPE)的故障特征提取方法,结合K近邻(KNN)算法识别滚动轴承故障类型。首先对滚动轴承振动信号用SSD进行分解,得到3个奇异谱分量(SSC),根据峭度最大原则选择主分析分量;然后用MPE计算主分析分量的熵值,实现滚动轴承的故障特征进行提取;最后将熵值作为特征向量输入KNN分类器中,完成滚动轴承的状态识别。将该方法应用于实验数据分析,并与VMD和MPE相结合的故障诊断方法做比较,结果证明,该方法能够有效地提取故障特征,实现故障诊断。     

钢包回转台重载轴承故障诊断的小波分析法

建立了一种简单、精确和实用的重载轴承故障小波包分解诊断方法 ,利用该方法成功地诊断出了钢包回转台重载轴承的故障。结果表明 ,在轴承故障诊断中 ,这种方法可以弥补频谱分析法的不足     

基于极大熵谱法的滚动轴承故障诊断的应用研究

针对轴承运行状态采用极大熵谱法建立了 AR模型 ,计算了轴承正常及故障状态的时序模型。对饱含着信号的时间序列进行了故障敏感因子计算、极大熵谱分析 ,对滚动轴承故障进行了定性的诊断 ,同时将功率谱和极大熵谱进行比较分析 ,为诊断提高可靠信息     

基于小波神经网络的滚动轴承故障诊断

根据滚动轴承振动信号的频域变化特征,采用小波包分析对其建立频域能量特征向量,利用径向基函数神经网络完成滚动轴承故障状态的识别.理论和试验证明了该方法的有效性和实用性.     

滚动轴承微弱故障信号检测的研究

研究了信号局部奇异性在小波变换下的特性.根据故障信号和噪声的局部奇异性在小波变换下模极大值在不同尺度上的传播特性不同的特点,利用小波分解重构算法,对滚动轴承振动信号进行了分解、去噪、重构和谱分析.实验表明,小波减噪方法非常适于滚动轴承微弱故障信号的检测.     

轴承故障模拟台设计

设计了滚动轴承故障模拟台,阐述了各组成部分的设计原则及方法,对加工好的实验台进行了基本特性分析。     

基于FastICA的大型风力机主轴承故障诊断研究

文章提出了基于FastICA大型风力机主轴承故障诊断方法.根据大型风力机的运行特点,采用负熵最大化判据和牛顿迭代原理实现FastICA算法并将其应用于大型风力机主轴承的故障诊断中.诊断结果表明,该方法可有效地将大型风力机主轴承和轴流风机的振动信号进行分离,从而清晰地看出主轴承的振动特征频率,实现对风力机主轴承的故障诊断.     

球轴承的失效分析

通过宏观分析、金相检验、断口分析、化学分析和硬度检测等手段,对球轴承的钢球和内圈进行分析,并对其接触应力及有关参数进行计算,对接触疲劳的失效原因进行探讨。结果表明,钢球存在严重的材料冶金缺陷,引起钢球和内圈的早期接触疲劳失效。