某柴油机滑动轴承接触摩擦故障的振动特征与状态监测

针对柴油机滑动轴承振动的非稳态非线性特性,提出了一种监测滑动轴承摩擦故障的新方法。该方法首先分析了在柴油机发火燃烧时滑动轴承振动与滑动轴承接触摩擦故障的对应关系,建立了在发火燃烧时滑动轴承的接触摩擦故障特征,并依据与滑动轴承故障之间的关系提出了综合特征值公式,用于定量描述滑动轴承的摩擦故障。结果表明:该方法在线监测柴油机滑动轴承的摩擦故障简单准确,为诊断滑动轴承摩擦故障提供了新思路。     

基于包络谱分析的滚动轴承内圈故障声发射诊断研究

滚动轴承的早期故障信号很微弱,常规的振动法很难检测。声发射检测法具有采集较宽频率范围信号的特点,采用声发射法对内圈缺陷滚动轴承进行检测,采集宽频的声发射信号,利用小波分析方法把信号分解在不同频带,对低频信号进行重构,将重构后的包络谱特征频带与内圈故障理论特征频率相比较,结果表明:在包络谱图上可以找到理论的故障特征频率范围,这说明包络谱分析法对滚动轴承内圈故障声发射诊断是有效的。     

声发射波在不同复合材料容器表面的衰减特性

分析了声发射波在不同复合材料容器表面的衰减特性。通过在复合材料容器表面进行衰减测试,探讨了材料组织方向、容器内的介质、容器受载历史等因素对声发射信号幅值衰减特性的影响。结果表明,以上因素影响了声发射波的衰减特性,结论为声发射检测的后续研究提供数据支持。     

滑动轴承材料摩擦因数预测的2种方法

在对多元非线性回归模型和BP网络模型分析的基础上，将幂函数曲线回归模型和Baysiane规则化BP网络对滑动轴承合金材料的摩擦因数进行预测比较，分析了2种方法的预测效果不同的原因，并针对滑动轴承材料摩擦因数预测给出了以全样本进行训练的Baysiane规则化BP网络的结构。     

基于AE技术的旋转机械故障监测与诊断系统

论述了声发射技术应用于旋转机械故障监测与诊断是一种高效实用的方法。针对旋转机械结构特征及其声发射信号特点，开发了以声发射技术为核心的旋转机械故障监测与诊断专用系统，介绍了该系统的组成模块及其功能实现。在模拟工况条件下，利用该系统的时频分析功能和包络分析功能对一批故障滚动轴承进行了实时诊断，证明了该系统的科学性、有效性和实用性。     

动压滑动轴承磨损状态的在线动态监测

基于超声波脉冲反射式测厚原理,构建一套超声波在线检测系统,通过测定轴心偏离轴承中心位置计算动压轴承的磨损深度,并进行简易实验。实验结果表明超声波能够用于在线监测动压轴承的磨损情况。     

基于声发射多特征融合的搅拌摩擦焊缺陷监测

搅拌摩擦焊(friction stir welding, FSW)是一个多物理场耦合过程,焊接过程中声发射信号与焊接缺陷具有关联性. 基于声发射检测与多特征融合研究FSW缺陷监测方法,实时检测固态介质中的声发射信号,利用短时傅里叶变换、小波变换、梅尔频谱对声发射信号进行分析,确定焊接缺陷与声发射信号之间的相关性,最后通过concat融合方法构建多特征向量. 结果表明,FSW在预制缺陷处具有不同的声发射信号特征. 短时傅里叶、小波变换的主要频段集中在20 kHz,出现缺陷时功率分别达到?40,0.8 dB以上,梅尔频谱的主要频段集中在3.5 kHz出现缺陷时功率达到?40 dB以上. 应用多层神经网络分别建立基于单特征、多特征向量的焊接缺陷识别模型,多特征向量的焊接缺陷识别模型在数据集中的平均识别率达到97%,比基于单一特征缺陷识别模型提高18%. 研究的多特征缺陷识别模型能更准确地对焊接状态进行识别与监测.     

基于多重移位复用的轴承健康监测报警存储方法研究

旋转机械正朝着高速化、智能化、高性能方向发展,为及时发现早期故障,需要研发健康监测系统。报警存储用于分析故障原因,是系统核心。针对大多系统报警存储存在缓存时间长度随采样率变化、缓存数据丢失、单次报警等问题,提出一种基于多重移位复用的方法,将多个移位寄存器、队列和循环索引相结合并利用LabVIEW平台实现该方法。实验结果表明,该方法可以自动存储报警前后10 s内所有数据,解决了数据丢失、单次报警等问题。     

基于Labview的声发射监测分析系统

开发了一套适用于铁碳合金材料焊接裂纹监测分析的声发射监测系统,并对不同材质和不同焊接工艺条件下的焊接接头AE信号进行了采集和分析,发现及证实了一些对深入研究焊接裂纹AE的形成机理有重要意义的现象和规律.     

基于声发射信号的转子碰摩故障诊断方法

利用声发射信号的高频特性采集转子碰摩故障信息，采用小波分析技术把所得声发射信号分解在不同频带，对信号进行重构，从而消除背景噪声，并用小波包络谱分析方法识别故障信息。分析结果证明，基于声发射信号的小波包络分析可以检测出微弱的转子碰摩故障，是一种有效的早期故障诊断方法。     

基于马尔可夫模型的滚动轴承声发射故障诊断研究

滚动轴承是转动机械的主要零部件,容易发生各种故障,这些故障会带来一系列安全隐患,并造成一定的经济损失。因此工业生产中滚动轴承故障诊断研究非常重要,具有巨大的用途。以滚动轴承为研究对象,建立滚动轴承声发射实验平台,采集不同缺陷、不同转速滚动轴承声发射信号,根据HMM理论和算法对声发射信号进行数据处理。首先应用MATLAB软件提取数据,进行分帧处理,进而提取特征向量,得出似然概率。将不同缺陷滚动轴承似然概率进行数据拟合,得到似然概率和转速拟合公式。对二种转速不同、已知缺陷滚动轴承声发射信号进行测试,并对某种缺陷滚动轴承声发射信号进行诊断。结果表明,HMM可以有效地对滚动轴承故障进行诊断。     

基于CMCPSO-SVM的轴承微弱故障诊断方法

针对旋转机械轴承微弱故障振动信号易被强噪声掩盖难以识别的问题,提出一种改进混沌粒子群优化支持向量机的故障诊断方法。将信号通过局部均值分解算法分解处理得到乘积函数(PF)分量,并进行能量归一化处理获得时频域特征集;通过迭代拉普拉斯得分降低时频域特征集的空间维度;以PF分量的排列熵作为混沌粒子群的适应度,并加入交叉和变异新策略,建立一种新的交叉变异混沌粒子群优化方法;利用改进的粒子群算法优化支持向量机的核函数和惩罚因子,并将优化后的分类模型应用于轴承故障诊断。结果表明：该故障分类模型的识别准确率高于其他分类模型。     

基于广义S变换的滚动轴承故障诊断方法研究

鉴于广义S变换继承了短时Fourier变换、小波变换和标准S变换的所有优点,同时也弥补了它们存在的不足,具有良好的自适应的独特特性,提出了一种基于广义S变换的滚动轴承故障诊断方法,并与传统的短时Fourier变换、Wgner-Ville分布、小波变换、标准S变换等时频分析方法进行了对比分析。仿真研究表明,广义S变换具有明显的优势,能灵活地通过调节参数来自适应地调节窗函数的宽度,以便达到最佳的时频分辨率。最后,滚动轴承故障实验研究进一步验证了提出的方法的有效性。提出的方法能有效地反映不同轴承故障的特征频率,为滚动轴承故障诊断提供了一种有效的方法。     

滚动轴承故障的声发射检测技术

介绍声发射信号技术的机理,研究用声发射检测滚动轴承故障的方法。把声发射信号与振动信号作对比,通过高通滤波后再进行包络解调,结果表明声发射信号可以较早地诊断出故障,抗干扰性好。而且经过信号处理之后,声发射信号分析的频率比较单纯,能够很简单地判断出故障部位。     

基于CWT-CNN的离心泵轴承故障识别方法

针对传统的轴承故障诊断方法在面对强噪声和非平稳信号识别时特征提取过度依赖先验知识和专家经验等问题,结合传统的信号处理方法和深度学习算法提出一种基于CWT-CNN的离心泵轴承故障识别方法。连续小波变换(CWT)将原始的1D振动信号转化为故障特征信息更丰富的2D时频图,2D时频图再输入到卷积层完成特征的自动提取,最后SoftMax层完成故障识别。经过西储大学公开轴承数据集和实验室搭建的离心泵振动轴承采集实验台验证,该方法的故障识别准确率均能达到90%以上。     

基于冲击脉冲法的齿轮箱轴承故障诊断

齿轮箱作为机械设备中的关键部件,其安全服役性能评估及寿命预测环节是非常重要的。因此,设计了一套基于冲击脉冲法的齿轮箱轴承故障检测系统。探究了检测系统的设计原理,并进行硬件选型(如NI四通道数据采集卡、加速度传感器等)、软件模块设计(如数据采集模块、分析和处理模块等)。根据车间现场条件制定齿轮箱轴承跑合检测试验方案,分别测试了不同返修级别(4级修、5级修)的齿轮箱轴承。对检测结果进行分析,表明:所设计的齿轮箱轴承检测系统能够实现对不同返修级别的齿轮箱轴承系统进行故障状态甄别,具有较高的稳定性,可为初步判定不同返修级别的齿轮箱轴承中磨损程度或故障状态提供数据支撑。     

基于改进ACCUGRAM的滚动轴承故障诊断方法

滚动轴承故障信号的特征容易被强噪声淹没,难以提取信号中的冲击成分。针对这一问题,提出多点最优调整的最小熵解卷积（MOMEDA）优化的ACCUGRAM算法,并应用于滚动轴承故障诊断。首先利用MED算法对原始信号进行滤波预处理,突显信号中的有效循环冲击成分,提高MOMEDA优化ACCUGRAM算法中频带选择的分类精度,选择最佳的带宽和中心频率,最后对获得包含信息量最大的频带进行故障特征频率的提取和轴承的故障诊断。仿真和试验数据分析结果表明：该方法能够有效提取信号中的周期性冲击特征,具有一定的实用性。     

基于声发射的滚动轴承故障诊断方法

为诊断低速滚动轴承故障,克服传统振动法诊断时故障信号极其微弱的缺陷。在实验室条件下对各类故障模式滚动轴承进行声信号采集,并对故障轴承声信号进行参量分析和波形分析的基础上,利用撞击数和神经网络技术对滚动轴承进行了故障诊断,提高了低速滚动轴承故障诊断的有效性和准确性。     

基于奇异值差分谱降噪与经验模式分解的滚动轴承故障特征提取方法

针对滚动轴承振动信号含有大量噪声且具有非线性、非平稳特性致使故障特征难提取的问题,提出一种基于奇异值差分谱降噪与经验模式分解(EMD)相结合的滚动轴承故障特征提取方法。首先,将滚动轴承振动信号在相空间重构的基础上利用奇异值差分谱完成降噪;其次,将降噪后的信号经EMD筛分为多个含有信号局部特征的本征模式分量(IMF);最后对与原信号相关度最大的IMF进行Hilbert包络解调,进而提取故障特征频率。实验结果表明:该方法不仅有效去除信号噪声,而且准确提取滚动轴承的故障特征。