低速滚动轴承故障诊断方法研究

低速滚动轴承结构和工作条件特殊,故障机理复杂,诊断难度较大。本文根据低速滚动轴承的故障特性,提出了利用应力波与小波分析进行低速滚动轴承故障诊断的方法。首先以低速运转Cooper轴承系列01B65 EX滚子轴承为例,建立了完好和故障低速滚动轴承的三维整体接触计算模型,运用有限元软件对其进行了比较全面、精确的分析,计算出外圈故障模型的最大应力和应变及各元件之间的接触应力,将发生故障前后的外圈外表面应力应变分布规律以及接触应力分布规律进行比较。然后在应力波实验分析的基础上,选择db6母小波、尺度j=4对实验所采集的数据信号进行小波变换,成功提取了外圈模拟故障的应力波信号特征频率。     

滚动轴承故障诊断系统的设计与应用

分析了滚动轴承典型故障机理及其振动特征,提出了将包络分析作为小波分解的前置处理手段以提取信号故障特征的思想,设计出一套新的诊断方案,开发了适用于铁路货车的滚动轴承故障诊断仪。仪器主要采用时域分析与频谱分析相结合来完成故障诊断工作,信号分析程序使用VisualC 6.0,不仅可以准确地分析出轴承故障所在的部位,更保证了数据采集的实时性。现场应用证明:该方法准确有效,适用于滚动轴承的检测和诊断。     

小波分析在滚动轴承故障诊断中的应用

本文阐述了基于小波分析的快速傅里叶变换应用轴承故障诊断的原理，介绍了该方法在减速器滚动轴承故障诊断中的应用，给出了几种频谱图。     

基于小波分析的滚动轴承故障诊断研究

通过典型信号的MATLAB仿真,针对滚动轴承故障信号的非平稳性特点,结合峭度直方图和小波函数的时频分析方法,对包含滚动轴承故障信息的信号进行了小波分解和重构,对重构后的细节信号作Hilbert包络并进行谱分析,从而有效地把轴承中的故障信息成分识别出来.     

小波分析在滚动轴承故障诊断中的应用

本文阐述了基于小波分析的快速傅里叶变换应用于轴承故障诊断的原理,介绍了该方法在减速器滚动轴承故障诊断中的应用.给出了几种频谱图.     

基于小波分析的滚动轴承故障诊断

针对滚动轴承故障的非平稳振动信号,提出了一种结合峭度和小波函数的时-频分析方法.该分析方法应用Matlab软件对包含滚动轴承故障信息的信号进行了小波分解和重构,并通过Hilbert变换进行了解调和细化频谱分析.实验结果显示,该分析方法可以有效地把轴承中的故障信息成分检测出来,从而快速地判断出轴承的故障类型.     

基于小波分析的滚动轴承故障诊断方法的研究

介绍了小波分析的基本理论,并将小波分析应用于轴承的故障诊断。通过对实验数据的分析和处理,提取出了故障特征,并准确地对故障进行了定位。这种方法取得了良好的诊断效果,适合于滚动轴承的故障诊断。     

基于包络分析的滚动轴承故障诊断研究

在研究滚动轴承振动机理的基础上,提出了利用对振动信号进行包络分析,以及特征提取的方法来进行故障类型的判断。在QPZZ-Ⅱ型故障模拟实验台上进行了滚动轴承实验,对振动信号进行包络分析和特征提取,准确地判断出了滚动轴承的故障类型,证明了该方法是有效的。     

滚动轴承故障诊断判据的研究

本文论述了利用散度建立滚动轴承故障诊断判据的理论与方法，并给出了在实际工作中运用的实例。     

神经网络在滚动轴承故障诊断中的应用

提出了基于神经网络的滚动轴承故障诊断方法,以滚动轴承小波分解后的能量信息作为特征,通过神经网络作为分类器对滚动轴承故障进行识别,经过实验表明,该方法对于滚动轴承的故障诊断具有一定的应用价值,并可方便地推广到类似的诊断领域。     

基于改进阈值小波和支持向量机的低速重载滚动轴承故障诊断的研究

提出了将小波分析与支持向量机结合用于低速滚动轴承故障诊断的方法。首先在实验台上进行轴承各种故障信号的样本采集,利用改进后的小波阈值法对信号进行去噪,将降噪后的振动信号经过小波包分解后的频带能量作为特征向量,并以此作为训练样本,对多个支持向量机构成的多故障分类器进行训练,进而实现智能诊断。结果表明,比起传统阈值法小波去噪,结合后的方法有较好的诊断效果。     

GAPSO-KELM在滚动轴承故障诊断中的应用

为了减小故障特征提取对信号处理方法和人工经验的依赖性、降低诊断模型的计算复杂度、有效提高诊断精度,本文提出了一种卷积神经网络(CNN)与核极限学习机(KELM)相结合的滚动轴承故障诊断方法.首先,直接将不同故障模式下的滚动轴承原始振动信号进行分段处理,用以构建训练集、验证集和测试集.其次,利用CNN卷积运算提取特征,通...     

基于高阶累积量的机械故障诊断方法研究

利用高阶统计量可抑制高斯噪声的特性,文中构造了滞后量为变量的三阶和四阶累积量特征诊断分类指标,对滚动轴承4种不同状态(正常、外圈剥落、内圈剥落、滚动体剥落)进行了识别,结果表明:正常和故障信号的高阶累积量特征指标在图形上存在明显差别,可用于故障分类。结合欧氏距离进行状态定量识别,取得了很好的诊断效果。     

KTA-KELM在滚动轴承故障诊断中的应用

在数据驱动的滚动轴承状态辨识模型构建过程中,针对核极限学习机(Kernel ExtremeLearning Machine,KELM)算法中高斯核函数的径向宽度参数σ选取不当极易造成模型分类精度差的问题,提出一种核排列优选核参数σ的滚动轴承状态辨识方法。首先,将测取滚动轴承振动信号经总体局部均值分解(Ensemble Local Mean Decomposition,ELMD)进行分解并计算其能量熵、排列熵来构建高维的特征向量集;然后,初始化核排列(Kernel Target Alignment,KTA)算法参数:最大核排列值Ai和核参数σi,通过判断核矩阵与理想目标矩阵间距离来调节不同的Ai和σi值,来获取两矩阵距离最短时所对应的Ai,此时核参数σi最优。最后,将上述滚动轴承的高维特征向量集作为输入通过KTA-KELM算法的学习,建立基于KTA-KELM的滚动轴承的状态辨识模型。仿真实验结果表明,与KELM、ELM算法相比,KTA-KELM算法将滚动轴承状态辨识的精度由92. 5%和90%提高到98. 75%,分别提高6. 25%和8. 75%。     

基于谐波小波变换的低速滚动轴承故障诊断

谐波小波具有严格的盒形谱特性，是理想的带通滤波器。将谐波小波变换运用于共振解调技术，提取故障激发的共振信息，实现轴承的故障诊断。应用该方法，对低速滚动轴承进行了故障分析和诊断，诊断结果与实际状况吻合。     

粗糙集在滚动轴承故障诊断中的应用

对滚动轴承几种常见点蚀故障的振动信号特征值进行分析,使用粗糙集基于熵的离散化算法进行属性离散化,并采用基于属性重要度的启发式约简算法进行属性约简,然后选用径向基核函数的支持向量机将经过属性约简的特征向量输入支持向量机训练,建立支持向量机模型并进行故障识别与诊断。实验分析结果表明,应用粗糙集和支持向量机相结合的混合智能诊断方法,将粗糙集作为支持向量机的前置系统对数据进行预处理,利用粗糙集可以减少信息表达的属性数量和故障诊断决策系统的规则数,使支持向量机输入端数据量大大减少,提高系统的处理速度,对于滚动轴承振动信号的故障模式识别可以获得良好的效果。从而验证了粗糙集理论对滚动轴承故障诊断的有效性以及其应用价值。     

小波变换在滚动轴承故障诊断中的应用

采用小波变换能够快速有效地对滚动轴承振动信号进行带通滤波。通过选用多尺度的小波变换,能较好地分离出所要分析的高频固有振动信号,然后对高频振动信号进行包络分析,从包络谱图中提取故障特征频率分量,就能诊断出滚动轴承故障发生在哪个元件上。实验结果表明,这种诊断方法是有效的。     

小波变换在滚支轴承故障诊断中的应用

采用小波变换能够快速有效地对滚动轴承振动信号进行带通滤波。通过选用多尺度的小波变换，能较好地分离出所要分析的高频固有振动信号，然后对高频振动信号进行包络分析，从包络谱图中提取故障特征频率分量，就能诊断出滚动轴承故障发生在哪个元件上。实验结果表明，这种诊断方法是有效的。     

局域波法在滚动轴承故障诊断中的应用

简述局域波法的基本理论，通过对仿真信号和实测信号的分析，说明了局域波时频法在滚动轴承故障诊断中的可行性和有效性，并体现出其对非平稳信号时频分析的优点。