滚动轴承磨损故障的振动监测和诊断

本文对滚动轴承磨料磨损故障进行了模拟试验和振动信号的处理和分析。对轴承磨损引起的二次效应的分析,获得了区别于诊断其它故障形式的灵敏诊断参数和方法,指出用峰值因素来判别轴承的磨损故障是有效的。进一步考察磨损历程频谱包络能量的变化规律,建立了在线监视和诊断磨损故障与磨损程度的微机处理系统。本文提出了轴承精度消失故障冲击的概念,并可用采确定轴承振动冲击与精度等级下降以及磨损程度之间的关系。     

EMD与同态滤波解调在滚动轴承故障诊断中的应用

根据滚动轴承的振动故障特征,介绍了一种新的基于经验模态分解(Empirical Mode Decomposition,EMD)与同态滤波解调相结合的滚动轴承故障诊断方法.EMD可将轴承故障信号分解成若干个IMFs(Intrinsic Mode Functions),各个IMF突出了原始信号的某些局部特征.再对某些IMFs有针对性地进行同态滤波解调,提取了轴承内圈故障特征频率,诊断出轴承内圈严重磨损故障.同时,为更突出同态滤波解调方法的优越性,与Hilbert包络进行了对比分析.仿真与应用结果表明,同态滤波解调方法要优于Hilbert包络法.     

基于振动响应机理的轴承故障定量诊断及量化分析

为了解决轴承损伤尺寸难以诊断的问题,建立滚动轴承非线性振动的动力学模型,并通过解析法求解轴承4种不同大小的故障振动信号响应,根据故障轴承响应信号的双冲击时间间隔对轴承故障进行定量分析,分析结果表明了该定量分析方法的准确性.进而对多组不同故障大小的轴承数据进行统计学分析,建立了轴承外圈损伤程度区间.滚动轴承外圈实验结果验证了提出的基于故障机理的轴承故障定量诊断方法的有效性.     

基于阶次倒双谱分析的滚动轴承故障诊断方法

针对齿轮箱升降速过程中振动信号非平稳的特点,将常规的阶次分析与倒双谱技术相结合,提出了基于阶次倒双谱的轴承故障诊断方法.首先对齿轮箱升降速瞬态信号进行时域采样,再对时域非平稳信号进行等角度重采样,转化为角域平稳信号,最后对角域重采样信号进行倒双谱分析,就可提取滚动轴承振动信号的故障特征.通过对滚动轴承内圈、外圈故障实验信号的分析.表明阶次倒双谱分析能有效地诊断滚动轴承故障.     

基于循环自相关的滚动轴承故障特征提取研究

滚动轴承在工作过程中产生的振动信号既有周期性又有随机性。周期性信号来源于滚动轴承的周期运转方式,这种周期性本质上是一种近似周期的冲击性振动;随机性信号来源于滚珠的滑移、制造误差等多种因素。因此,对于滚动轴承的故障诊断来说,理论上用循环平稳模型来描述故障特征比单纯用周期性模型描述更加合适。以循环平稳模型为基础,提出一种基于循环自相关的滚动轴承故障特征提取方法,通过理论分析以及滚动轴承故障仿真和试验,证明了循环频率可以反映故障特征频率。用循环自相关函数谱图与包络频谱图进行对比分析,说明在提取滚动轴承故障特征时,利用循环自相关函数法能够很好地抑制噪声。所提出的方法对于滚动轴承故障的精细诊断具有重要的意义。     

基于改进小波变换和包络分析的滚动轴承故障诊断

采用改进的小波分解和重构算法与包络分析相结合的方法,提取滚动轴承振动信号的故障特征频率。改进的小波分解和重构方法避免了Mallat算法频率混淆的缺陷,通过对重构信号特定频带进行包络分析,更加准确地提取了滚动轴承的故障特征频率。通过对无故障滚动轴承和内圈、外圈有故障的滚动轴承振动信号的分析,说明这种方法能够有效诊断滚动轴承的故障,并将该方法成功应用于某型航空发动机主轴承故障诊断。     

基于虚拟仪器的滚动轴承振动故障诊断系统

介绍了小波变换在滚动轴承故障特征提取中的应用．结合小波变换研制了一套滚动轴承故障诊断虚拟仪器系统．通过对滚动轴承振动信号的小波变换分析,可提取滚动轴承运行状态的特征向量,分析滚动轴承的振动信号,诊断轴承的故障．     

包络-小波技术在轴承故障诊断中的应用

分析了滚动轴承典型故障的故障机理及其振动特征，详细介绍了滚动轴承振动信号分析与故障诊断的方法。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，并在此基础上开发研制了“CZZD-01型轴承故障诊断仪”。现场调试结果表明，该方法准确有效，适用于滚动轴承的监测和诊断。     

基于切片双谱分析的滚动轴承故障识别研究

针对滚动轴承故障识别问题，提出基于共振解调理论和高阶谱分析相结合的新方法.讨论了双谱理论和双谱对角切片的特性，分析了故障滚动轴承振动信号的特点.利用希尔伯特（Hilbert）变换构造原始振动信号的解析信号，求取信号的包络，计算包络信号的对角切片双谱，提取由于滚动轴承二次相位耦合产生的非线性特征，得到滚动轴承的故障特征频率，识别滚动轴承的故障模式.试验和理论分析表明，利用该方法可以有效地将正常轴承和内滚道伤轴承、外滚道伤轴承的振动信号进行分离.该方法保留了信号的相位信息, 并且能够有效地抑制噪声，在降维的同时简化了算法.     

基于小波包分析的数控机床主轴滚动轴承故障诊断

滚动轴承损伤类故障的分析诊断基础是提取故障信息。利用小波包分析对机床主轴滚动轴承振动信号进行分解,求出各频段的能量,提取了轴承故障的特征频率并对故障进行定位,表明了小波包分析方法在滚动轴承故障诊断的有效性和优良性。     

基于虚拟仪器的货车滚动轴承故障分析与诊断系统

货车滚动轴承是货车的重要部件,关系着列车的运行速度和安全,所以轴承故障诊断对货车运行安全十分重要。设计一个货车滚动轴承故障诊断系统对轴承故障进行检测至关重要。文章介绍了货车滚动轴承的故障形式、振动机理,提出了基于LabVIEW软件技术开发货车滚动轴承的检测系统。     

基于LabVIEW的风电机组滚动轴承故障诊断系统及其仿真

在LahVIEW8．5环境下实现了基于特征参数和希尔伯特包络谱分析的故障诊断方法,开发了风电机组滚动轴承故障诊断系统．故障诊断实验结果表明,该系统能够有效、快速、准确地对滚动轴承内圈、外圈、滚动体故障进行识别并报警．     

EEMD-PE与M-RVM相结合的轴承故障诊断方法

滚动轴承振动信号中包含了大量轴承运行状态信息,但是由于振动信号具有非线性和非平稳性的特点,难以充分提取振动信号中的故障特征,导致现有基于模式识别的轴承故障诊断方法的故障识别准确率较低.为了提高滚动轴承故障识别的准确率,提出了一种基于集合经验模态分解-排列熵(EEMD-PE)特征提取与多分类相关向量机(M-RVM)相结合的轴承故障诊断方法.首先,该方法利用EEMD对非线性和非平稳信号的自适应分解能力,将轴承故障信号分解为一组包含故障特征的本征模态函数(IMFs).然后,利用排列熵提取由EEMD分解得到的IMFs中的故障特征,并组成特征向量.最后,采用EEMD-PE对不同故障状态下的训练样本集进行特征提取,组成特征向量集对M-RVM分类器进行建模,以概率输出的形式实现对滚动轴承的故障诊断.实验结果表明:EEMD-PE特征提取方法能够对滚动轴承振动信号的故障特征进行有效提取,M-RVM能够对故障滚动轴承振动信号包含的故障特征进行识别.与现有轴承故障诊断方法相比较,所提出的方法能够提高故障识别准确率,达到99.58%.     

基于故障样本的滚动轴承故障诊断置信规则库研究

滚动轴承是使用非常广泛的机械零件,现有技术对滚动轴承故障诊断存在局限性。为提高滚动轴承故障诊断的准确性,通过利用历史数据,提出基于故障样本的置信规则库的方法,首先对滚动轴承的典型故障进行分析,获取其振动数据作为样本;然后提取时域特征参数和时频参数,对参数进行特征融合,提取征兆参数,建立故障诊断的置信规则库;通过实验平台获取滚动轴承异常数据,验证建立的置信规则库的有效性和准确性。     

基于小波奇异性的滚动轴承故障检测方法研究

在滚轴故障诊断中,故障通常表现为振动信号的突变,因此检测信号奇异点意义重大。文章介绍了小波变换理论和小波变换奇异性检测原理,研究了奇异性检测方法在滚动轴承故障诊断问题中的应用。采用小波门限消噪法处理繁杂的滚轴振动信号,对消噪后的振动信号采用小波变换模极大值奇异性检测方法进行多尺度小波分析,得到故障点的位置。仿真结果表明,该方法下振动信号奇异程度以及奇异点的位置明显。     

低速滚动轴承故障信号捕捉与分离研究

根据低速滚动轴承故障诊断难度较大的特点，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.以低速运转Cooper轴承系列01B65 EX滚子轴承为例，建立了故障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分析，计算出外圈故障的最大应力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和接触应力分布规律进行比较.在应力波实验分析的基础上，选择db6母小波、尺度j=4对实验所采集的故障信号进行小波分解，提取了故障的应力波信号特征频率，对低速滚动轴承故障进行了正确诊断.结果表明，应力波和小波分析是低速机械故障诊断的有效方法.     

动车组齿轮箱滚动轴承变转速故障诊断方法

动车组齿轮箱滚动轴承在运行过程中处于高温重载的变转速工况,容易产生裂纹、点蚀等故障,且不易被检测出来。为及时诊断出动车组齿轮箱滚动轴承的故障,保证动车组的安全行驶,提出了一种变转速工况下的滚动轴承故障诊断方法。首先,结合短时傅里叶变换(STFT)无干扰项与魏格纳-威尔分布(WVD)高时频分辨率的特点,提出了一种融合时频分析算法,该算法能够提高变转速信号分析时的时频矩阵精度;然后,针对动态路径规划方法无法处理归一化时频矩阵的局限性,对其进行了改进,并提取出融合时频矩阵中的转速曲线;此外,进一步提出了一种插值重采样的阶次分析方法,根据转速对采集到的原始信号进行插值重采样,在角域对信号进行重构,并得到对应的阶次谱,实现滚动轴承的故障诊断;最后,通过试验台对提出的变转速动车组故障滚动轴承诊断方法进行了验证。结果表明：本文所提出的方法在动车组转速变化的情况下,能够有效提取出滚动轴承的变转速曲线,并且准确识别出齿轮箱中滚动轴承发生的故障类型。     

基于EMD和模糊C均值聚类的滚动轴承故障诊断

针对滚动轴承故障振动信号的非平稳特征,提出了一种基于经验模态分解和奇异值分解的特征提取与模糊C均值（FCM）聚类的滚动轴承故障诊断方法。该方法首先对滚动轴承振动信号进行EMD分解,组成初始特征向量矩阵;并对该矩阵进行奇异值分解,将矩阵的奇异值作为故障特征向量;最后以FCM聚类为故障分类器,实现滚动轴承不同故障类型的识别。实验结果分析表明,该方法能有效地进行滚动轴承故障诊断。     

基于变分模态分解与多尺度熵的滚动轴承故障诊断方法

针对滚动轴承故障振动信号具有非平稳、非线性特征以及提取特征困难等问题,提出一种基于变分模态分解(Variational Mode Decomposition,VMD)的多尺度熵(Multi-scale entropy,MSE)的特征向量提取方法,并输入拉普拉斯支持向量机(Laplacian support vector machines,LapSVM)中进行滚动轴承故障识别。该方法首先利用VMD分解的多尺度熵对原始振动信号进行特征向量的提取,然后与基于VMD样本熵以及VMD时域统计量(峭度、歪度)对比说明该方法的优势,最后将上述特征向量输入到LapSVM分类器中进行识别对比。试验数据分析结果表明,所提方法在诊断精度、计算速度上大大提高。