基于虚拟仪器的动车组转向架测试系统的设计

基于虚拟仪器技术,开发了动车组轮对轴承齿轮箱以及牵引电机的测试系统。系统通过传感器检测轴承齿轮箱以及牵引电机的振动信号,对振动信号进行各种谱分析,对于动车走行部早期的损伤进行诊断,并对数据进行保存。     

基于蝶翼式MEMS振动传感器的轴承故障信号检测方法

轴承是旋转机械最易发生故障的零件,一旦发生故障,就会影响整个机械系统的运行,因此,对轴承的运行状态进行有效的监测意义重大。提出了一种基于蝶翼式MEMS振动传感器的轴承故障信号检测方法,具体介绍了蝶翼式MEMS振动传感器的设计、加工以及与之级联的电子谐振器的设计。仿真和应用验证表明,所提出的方法能够有效提取轴承故障信号。     

轮辐分流式固定瓦轴承负荷传感器研究

提出了一种适用于大型汽轮发电机组固定瓦轴承负荷在线监测的力分流式负荷传感器,介绍了固定瓦轴承负荷测试原理及分流式负荷传感器的结构特点,分析了传感器弹性体力学模型,给出了试验结果.     

基于无源振动传感器标签的轴承故障在线诊断技术

提出了一种基于无源振动传感器标签的穿梭车轴承故障在线诊断技术.设计了一种无源射频识别(RFID)振动传感器标签结构,因其工作在无源模式下,减少了在线故障诊断的成本,同时可以实现对轴承故障的长期在线诊断.介绍了振动信号的处理方式,提出了基于奇异熵的奇异值分解信号降噪算法,依据信号的奇异熵自行定阶降噪,避免了人为预设参数所导致的误差,并提出了基于最小二乘支持向量回归(LS-SVR)的故障诊断算法.测试结果表明:设计的标签能够可靠地完成信号采集和传输,采用的算法能够快速而准确地定位故障,较传统故障诊断方法提高了实时性并降低了成本.     

两种结构MEMS磁场传感器的研究

研究了两种结构的谐振式磁场传感器,检测在磁场作用下梁的振动幅度,来实现磁场的测量。首先介绍了传感器的工作原理,并用振动理论对传感器的受力及响应进行了分析,接着用有限元软件建立结构模型,对振动幅度进行了仿真。该MEMS磁场传感器采用标准的CMOS工艺加上后处理来实现。最后用多普勒仪对传感器的振动幅度进行测试,实验结果与理论分析一致,并对两种传感器性能进行比较。所研究的两种传感器结构简单,测试方便,可用于对mT级的磁场进行测试。     

测量轴承振动加速度的传感器系统分析与设计

本文较深入地论述了用于测量轴承振动的传感器系统的特性,建立了力学模型。通过分析及实验指出,采用线接触形式比用点接触形式性能好。文章对传感器的材料、接触力的大小及新设计的传感器系统达到的性能也作了介绍。     

全自动轴承装配机研制的关键技术

主要介绍PLC在我国首套全自动轴承轴承装配中的应用,论述了研制该套设备遇到的主要技术难点以及解决方法。     

基于振动信号的传感器与虚拟仪器的串口通信

为了实现加速度传感器与虚拟仪器LabVIEW之间的串口通信,以滚动轴承的振动信号为传输的介质,编写C语言程序来驱动三轴加速度传感器采集轴承的振动信号,再将振动信号传输到单片机中,虚拟仪器通过USB转串口线读取单片机中的振动信号,以波形的形式实时显示在虚拟仪器界面上.以编程软件显示加速度传感器采集到轴承的振动信号的值,经过串口通信程序,最终在虚拟仪器前面板上显示振动信号转换的数值波形00-FF;软件分析后可以发现:轴承的均方根值为0.030 7823,经过频域的处理,其功率谱将特征频率25 Hz与高次谐波分量单独分离出来,从而完成传感器与虚拟仪器间的串口通信.     

基于虚拟仪器技术的振动测试系统的设计

本文介绍了虚拟振动测试系统的设计方案。该系统以加速度传感器、电荷放大器、数据采集卡、PC机为硬件开发平台,以图形化编程语言LabVIEW为软件开发平台,将虚拟仪器技术运用到振动测试中来,使得系统的测试功能更加强大,测试过程更加方便,代表着振动测试的发展方向。     

滚动轴承自动检测装置设计--用LabVIEW进行控制和检测

针对低噪声轴承的振动检测要求,设计开发了自动化检测装置及可检测多种振动参数的虚拟检测仪,应用于轴承的出厂分类检验。本主要介绍LabVIEW对自动检测装置的控制和主要检测功能。     

基于Gibbs抽样的轴承故障诊断方法

针对现有轴承故障诊断方法的不足,即诊断片面性问题,提出了一种基于Gibbs抽样的轴承故障诊断方法。首先对轴承振动信号进行局部特征尺度分解（LCD）得到内禀尺度分量（ISC）;然后对轴承振动信号和ISC分别提取时域特征,按照特征敏感度高低对时域特征排名,选择排名靠前的特征组成特征集;其次使用特征集训练产生基于Gibbs抽样的多维高斯分布模型;最后通过后验分析得到概率,实现轴承故障诊断。实验结果表明诊断正确率达到100%,与基于SVM的轴承诊断方法相比,在特征数为43个时诊断正确率提升了11.1个百分点。所提方法能够有效地对滚动轴承故障状态进行诊断,对高维复杂的轴承故障数据也有很好的诊断效果。     

Fault features extraction for bearing prognostics

Over the past years, investigation on condition-based maintenance (CBM) technique on bearing has been conducted. Bearing diagnostics and prognostics are the important aspects in CBM. A key to the success of using vibration data for bearing fault diagnostics and bearing lifecycle prognostics is a quantified relationship between bearing damage and bearing fault features. To establish such a quantitative relationship, effective signal processing techniques to extract bearing fault features from vibration signals are needed. This paper describes a newly developed fault feature extraction method for bearing prognostics. The effectiveness of the method is demonstrated with two real bearing run-to-failure test datasets: one collected under normal operating conditions and another one under abnormal operating conditions. Experimental results show that the bearing fault features extracted using both traditional vibration analysis methods and the proposed method give clear bearing heath degradation trend for the dataset collected under normal operating conditions. However, for the data collected under abnormal operating conditions, bearing fault features obtained using traditional vibration analysis methods fail to show the bearing health degradation trend while the fault features extracted using the proposed method give consistent bearing degradation trends.     

基于Hilbert-Huang变换的特征能量法及其在滚动轴承故障诊断中的应用

Hilbert-Huang变换是一种新的自适应信号处理方法,非常适用于非线性和非平稳过程。该文在介绍Hilbert-Huang变换的基础上,针对滚动轴承故障振动信号的非平稳特征,提出了一种基于Hilbert-Huang变换的特征能量法。该方法在Hilbert-Huang变换的基础上定义滚动轴承振动信号在固有频率段的能量为特征能量,以此作为滚动轴承的故障特征向量,并通过建立M-距离判别函数来识别滚动轴承的故障类型。对滚动轴承外圈和内圈故障信号的分析结果表明,基于Hilbert-Huang变换的特征能量法可以有效地提取滚动轴承振动信号的故障特征。     

Bearing condition monitoring based on shock pulse method and improved redundant lifting scheme

Due to the widespread application of rolling element bearings, it is necessary to effectively monitor their health status. The shock pulse method (SPM) has been widely used as a quantitative method for bearing condition monitoring. However, the shock value indicating the bearing condition may be mistakenly estimated by direct demodulation in the SPM. To overcome this deficiency, a new approach based on improved redundant lifting scheme (IRLS) is proposed. The classical redundant lifting scheme is improved by adding the normalization factors to avoid error propagation of decomposition results, and the IRLS is applied to preprocess the bearing vibration signals. Then the maximum normalized shock value of detail signals in decomposition results is used as a measure of the bearing condition. The effectiveness of the proposed method is demonstrated by applying it to both simulated signals and practical bearing vibration signals under different conditions. The results show that the proposed method is effective for bearing condition monitoring.     

基于改进阈值和小波包的轴承故障诊断方法

为了准确有效地确定滚动轴承的故障部位,提出一种轴承故障诊断的新方法。用改进的小波阈值法对轴承振动信号进行降噪处理,对去噪后的信号进行小波包分解与重构,提取各重构子带内的信号特征作为故障诊断的样本,依据各子带信号的能量分布特征判断轴承的故障部位。在MATLAB环境下对SKF6205-2RS轴承的典型故障进行了仿真研究,结果表明改进的阈值法相比于传统去噪方法有较好的去噪效果,小波包能够准确提取信号的故障特征,能够提高轴承故障检测的准确性和有效性。     

基于动态建模与重构的列车轴承故障检测和定位

列车运行时轴承故障的检测与定位对于列车运行安全与健康维护至关重要. 现有的轴承故障报警系统主要是基于单一轴温变量的规则诊断, 报警不及时. 针对上述问题, 本文结合运行于相似环境和速度的同车多轴轴温的相关性及轴温动态性, 提出了一种数据驱动的基于多轴轴温动态潜结构的列车轴承故障检测与定位方法. 首先, 提出基于动态内在典型相关分析(Dynamic-inner canonical correlation analysis, DiCCA)的列车多轴轴温动态潜结构建模方法; 其次, 利用所建立的模型, 提出基于DiCCA综合指标的列车轴承故障检测方法; 在此基础上, 提出基于DiCCA多向重构的列车轴承故障定位方法. 利用某列车实际运行时的轴温数据进行验证, 结果表明了所提方法的有效性.     

考虑退化轨迹差异性与相似性的轴承RUL预测

轴承的个体异质性及工况差异性使得其性能退化轨迹不尽相同,导致训练轴承建立的深度学习模型与测试轴承失配.对此,提出基于卷积自编码器与自组织映射的轴承剩余使用寿命(remaining useful life,RUL)灰色预测方法.该方法引入以轴承自身监测数据为驱动的批量归一化的卷积自编码器对轴承性能退化特征进行深度提取,并结合自组织映射算法进行性能退化指标(degradation indicator,DI)自主构建.采用动态时间规划算法对各个轴承退化轨迹进行相似匹配分析,以相匹配的全寿命轴承的DI灰色模型回归曲线在寿命终点取值作为参考,进行测试轴承的失效阈值设置.以测试轴承历史DI为驱动,采用全阶时间幂灰色预测模型对测试轴承RUL进行滚动预测.实验结果表明,所提出方法在保留轴承退化趋势个体差异性的同时,能够实现轴承失效阈值自主合理设置,提高轴承RUL的预测精度.     

基于MFCCS和改进VPMCD的滚动轴承故障诊断

将梅尔倒谱和系数(MFCCS)与改进的基于变量预测模型的模式识别算法(VPMCD)相结合,提出了一种滚动轴承故障的诊断方法.将语音信号识别中最常用的特征参数梅尔倒谱系数(MFCC)应用到轴承故障诊断领域,提出了适用于滚动轴承故障识别的特征参数梅尔倒谱和系数.同时,采用主成分分析(PCA)方法来解决VPMCD方法中求解得到的预测模型方程系数与理想系数存在偏差的问题.然后,使用改进的VPMCD算法对特征参数进行训练,再利用预测模型对待诊断样本数据进行模式识别和诊断,并用实验室模拟试验台的数据,对该方法进行了验证,实验结果能够有效区分轴承的故障种类,证明了方法的有效性.     

轴承防尘盖缺陷机器视觉自动检测方法研究

轴承防尘盖在装配过程中易出现各种擦伤、压痕等缺陷，从而影响配套主机的精度、可靠性及寿命，急需研发自动化的轴承表面缺陷检测设备来提高我国轴承生产水平。采用自主设计的自动化检测设备，利用机器视觉结合图像处理方法对轴承表面图像进行采集、分析和处理；采用连通域检测和轮廓筛选方法对轴承外轮廓进行提取；采用最小二乘法拟合外轮廓圆得到圆心及外径，结合半径占比分离法实现防尘盖圆环区域的提取；采用改进算法对防尘盖圆环图像进行展开以避免图像展开时字符或缺陷的误分割；采用垂直方向投影法分离字符区和非字符区，通过连通域检测法对两部分是否存在缺陷分别进行判别。实验结果表明，采用自主设计的轴承检测设备结合最小二乘法、OTSU法、改进的图像展开和投影算法，可实现轴承防尘盖缺陷的自动化检测，正确识别率为96.9%。     

A joint sparse wavelet coefficient extraction and adaptive noise reduction method in recovery of weak bearing fault features from a multi-component signal mixture

Rolling element bearings are widely used to support rotating components of a machine. Due to close space locations of components in the machine, a vibration signal caused by bearing localized defects is easily overwhelmed by other strong vibration signals. Extracting the bearing fault signal from a multi-component signal mixture is thus significant to detect early bearing fault features and prevent machine breakdown. In this paper, a bearing fault diagnosis method, named cyclic spike detection method, is proposed to extract the weak bearing fault features from a multi-component signal mixture. Firstly, the optimal center frequency and bandwidth of a complex Morlet wavelet filter are determined by a simplex-simulated annealing algorithm along with a maximum sparsity objective function. The filtered signal is then obtained by applying the optimal wavelet filter to the multi-component signal mixture. After that, a new adaptive local maximum selection method is proposed to make the filtered signal succinct. Only a few spikes are retained to reveal potential cyclic intervals caused by bearing localized defects. Two multi-component signal mixtures, including a simulated signal and a real vibration signal collected from an industrial machine, are used to validate the effectiveness of the proposed cyclic spike detection method. The results demonstrate that the proposed method can extract the weak bearing fault features from other strong masking vibration signals and noise.