小波包原理在滚动轴承声发射检测技术中的应用

详细分析了小波滤波原理。在大量实验分析和理论分析的基础上，提出了使用基于特征频率的小波滤波方法。从而解决了由噪声引起的检测故障滚动轴承误判的问题，并为下一步的信号特征提取打下了坚实的基础。     

基于单分类的机械故障诊断研究及其应用

为解决机械智能监测与诊断中缺少故障样本的问题,提出一种机械故障单值分类的新方法--支持向量数据描述法.该方法只需要一类目标样本作为学习样本,而不需要除学习样本以外的其他非目标样本,即可以建立单值分类器,从而将非目标样本从目标样本中区分开.提取机械设备正常运行时振动信号的特征值组成学习样本集,建立单分类模型,应用该模型可以对未来的设备运行状态和故障进行识别诊断.该方法应用于某水泥厂煤灰鼓风机故障诊断的工程实践中,取得满意的结果.     

声发射法在滚动轴承故障识别中的应用

本文研究了用声发射法（简称AE）诊断滚动轴承故障的新技术，首次提出用谐振能量比判别法对滚动轴承故障进行定量诊断，在自制的实验装置上应用简单而有效的声发射信号的提取与处理系统，成功地诊断了轴承的故障，实验证明，本文提出的声发射检测方法简单，易行、是一种很有前途的方法。     

基于声发射技术的滚动轴承故障检测

利用声发射传感器、PCI-2声发射数据采集卡和AEwin软件系统建立滚动轴承故障检测试验台,进行轴承故障诊断。利用能量分析法对采集的声发射(AE)信号进行初步故障诊断,对自相关处理后的声发射信号进行FFT变换得到频域信号,并采用模糊识别法中的"择近原则",通过建立隶属函数和贴近度函数来识别轴承的故障类型。     

基于信息熵的滚动轴承声发射信号故障诊断

利用声发射信号进行低速滚动轴承故障检测.在状态特征提取的基础上,从信息融合的思想出发,建立一种基于时域的奇异谱熵、频域的功率谱熵、时-频域的小波能谱熵和空间特征谱熵的故障诊断方法,并作为综合评价滚动轴承运行状态的定量特征指标.     

基于声发射技术的铁路货车滚动轴承故障诊断研究

采用声发射技术对铁路货车滚动轴承的故障诊断是一种新型的无损检测方法。对采集到的声发射信号进行基于小波变换的带通滤波处理后,故障特征信息明显,容易区分出铁路货车滚动轴承的不同状态。将声发射技术用于铁路货车滚动轴承的状态监测与诊断中,经大量试验证明,该法能准确区分轴承状态的好坏与故障类型。     

铁路货车轴承故障声发射信号的小波分析处理

将声发射技术用于铁路货车轴承故障信号的采集，用小波分析进行带通滤波，从而减少了背景噪声和其他工况的干扰，成功地将正常轴承与故障轴承区分出来。     

基于小波的声发射信号参数提取方法

介绍小波分析方法在声发射信号处理中的应用,提出一套基于声发射信号小波分析的小波基选取的规则方法,并通过实验和仿真证明此方法的有效性.     

轴承故障声发射信号多频带共振解调方法

轴承故障声发射信号具有高频率、宽频带、多频率成分组成特性。针对轴承故障声发射信号的多频带共振解调问题,基于故障先验知识确定滤波带宽,利用窄带解调Protrugram算法迭代搜索多个可解调中心频率,在对应的多个窄带范围内实现故障频率的解调识别。仿真和实验信号处理结果表明,窄带包络解调方法能够找到多个可用解调窄带,对应解调包络谱中均可清楚地识别故障频率,且包络谱具有故障频率谱线清晰,倍频成分衰减明显的特点。     

滚动轴承特征提取的多分量解调方法

提出利用多个高频振动分量进行滚动轴承故障特征提取的多分量解调方法。与传统的基于单一高频振动分量的解调方法不同,多分量解调方法从多个高频振动分量中提取信号特征信息。首先构建带通滤波器组对原信号进行滤波,然后依据所提高频振动分量获取策略求取原信号中多个高频振动分量,并对各高频振动分量进行包络检波,其次用独立成分分析对所得包络信号进行盲分离,最后对分离信号进行频谱变换以提取故障特征信息。仿真信号和故障轴承信号的分析结果表明,所提方法较传统解调方法更能凸显滚动轴承故障振动信号中的特征信息。     

一种改进的LCD滚动轴承故障特征提取方法

为了有效提取出滚动轴承振动信号的故障特征,提出一种基于分段三次Hermite插值?局部特征尺度分解PCHIP?LCD的故障特征提取方法.采用分段三次Hermite插值代替LCD中的三次样条插值(Cubic spline interpolation,CSI),提出了改进的LCD方法,完成振动信号x(t)分解,获得若干内禀...     

滚动轴承故障声发射信号的小波包络谱分析

利用声发射信号的高频特性采集滚动轴承故障信息,采用小波分析技术把信号分解在不同频带,对信号进行重构,从而消除背景噪声,再采用小波包络谱分析方法识别故障信息.试验结果证明,基于声发射信号的小波包络谱分析可以有效地检测滚动轴承故障.     

密封轧机轴承及其应用

介绍了密封式四列圆锥滚子轴承和密封式自调游隙双列圆锥滚子轴承两种结构。密封轧机轴承的结构特点、工作特性、材料特性和冷热加工的技术条件 ,同时介绍了安装使用及日常检修的注意事项。附图 2幅 ,表 1个。     

基于LSTM-RNN的滚动轴承故障多标签分类方法

为实时监测砂带磨损状态,采用基于磨削声信号与电流信号的监测方案。首先,利用时域分析方法与小波包分析方法提取砂带磨损信号特征,通过朴素贝叶斯方法融合两种信号,从而识别砂带磨损状态;其次,为提高砂带磨损状态识别准确率,针对朴素贝叶斯方法的分类特性,改进了一种基于Fisher判别率与互信息的信号特征选择方法。实验结果表明,利用基于Fisher判别率与互信息方法能够挑选出可分性好同时特征间相关性弱的信号特征,基于朴素贝叶斯的砂带磨损状态识别方法能够准确地识别砂带磨损状态。     

基于LSTM-RNN的滚动轴承故障多标签分类方法

为了提高长短时记忆神经网络模型(long short-term memory recurrent neural network, 简称LSTM-RNN)对滚动轴承故障分类的正确率并减少训练样本量,提出一种基于多标签LSTM-RNN的滚动轴承故障分类方法。首先,建立滚动轴承故障信号仿真模型,分析滚动轴承故障仿真信号频谱特征及其故障分类特点;其次,结合多标签LSTM-RNN模型结构特点,对滚动轴承频谱特征向量进行编码,并利用仿真故障信号验证多标签LSTM-RNN分类方法的有效性;最后,搭建滚动轴承故障模拟试验台,采集3类转速不同故障类型滚动轴承故障振动信号,并采用3种特征提取方法得到共9组试验数据,基于该数据对多标签LSTM-RNN分类方法和单标签LSTM-RNN分类方法进行对比试验。试验结果表明：多标签LSTM-RNN分类方法相比于单标签LSTM-RNN分类方法,平均分类正确率从69.07%提高到99.21%;在保证两种分类方法正确率相近情况下,多标签LSTM-RNN分类方法训练所需样本量比单标签LSTM-RNN分类方法平均减少69.55%。多标签LSTM-RNN分类方法适用于复杂振动信号分类,对于实现快速准确的旋转机械故障诊断具有应用价值。     

中国轴承论坛论文参考题目滚动轴承声发射检测技术

利用声发射信号进行轴承的故障检测，能减少噪声和工况的干扰，能够在低速轻载下有效检测货车辆轴承的故障。实践证明，该检测仪原理清晰，实施简便，可靠性高，达到了实时监测的目的。     

针对滚动轴承故障诊断的新时频特征提取方法

针对滚动轴承的故障诊断,提出了一种基于词包模型和短时傅里叶变换的特征提取方法。根据轴承故障的产生机理,不同轴承的振动信号在频域上会有相应的能量分布规律,然而在实际现场中,信号干扰或者生产环境等因素会弱化这种规律性,使得在频谱上难以准确看到相应分布特征。当采用词包模型时,把每一时间帧下能量在频率维度上的分布看成一个单词,则每段信号就表示成了由各个单词组成的一篇篇文档,这就可以直接从数据的角度去揭示能量分布的这种规律性。然后,以词包模型处理后的结果作为特征向量,用SVM分类算法诊断出结果。最后用无锡某汽车生产线SQI-MFS实验平台和美国凯斯西储大学的轴承振动数据进行了实验,实验验证了该方法比时域特征(RMS)和时频域特征(WEWEE)的诊断结果精确,可以在滚动轴承故障诊断领域展开应用。     

基于小波包—坐标变换的滚动轴承故障特征增强方法

滚动轴承早期故障特征信号微弱且易受正常成分干扰,因此不易准确识别滚动轴承的早期故障.对含有微弱故障的滚动轴承信号进行小波包分解,通过对小波包分解得到的各子带进行研究,提出一种基于小波包—坐标变换(Wavelet packet-coordinate transformation,WP-CT)的故障特征增强方法.考虑到各频...