基于LabVIEW的滚动轴承故障诊断系统

为实现对滚动轴承工作状态的监测,提出了一种基于LabVIEW的滚动轴承故障诊断系统的设计方案,给出了滚动轴承振动信号的采集与故障诊断方法,在LabVIEW的诊断平台下进行信号处理与分析,然后结合滚动轴承故障诊断理论与信号分析结果来对该轴承运行状态进行判断。最后利用旋转机械振动及故障模拟试验平台对该系统进行验证,验证结果体现了该系统具有可行性和适用性。     

基于LabVIEW的轴承振动信号的检测及分析

滚动轴承广泛应用于各类精密仪表和自动化装置中,轴承的优劣直接影响到设备的性能,决定机器能否正常运行,因此,对轴承质量的检测起着关键性作用。对轴承振动信号的检测及分析是目前较为热门的研究方法,也是先进的智能检测。首先通过USB数据采集卡采集滚动轴承振动信号的波形,再传给上位机LabVIEW软件,得到了波形的时域指标,以指标参数的大小来分析轴承的好坏,再经过频谱测量得到特征频率,对信号进行频谱分析,区分不同故障的轴承,达到分析轴承优劣的目的。     

基于LabVIEW的滚动轴承非平稳过程监测诊断及性能评估系统的开发

以LabVIEW软件为开发平台,建立滚动轴承非平稳过程故障诊断及性能评估系统,完成系统硬件和软件的设计。系统采用NI9234数据采集卡,针对变工况下滚动轴承振动和瞬时角速度信号进行采集和分析。该系统集成了多通道数据采集、试验台控制、数据库存储以及基于该文研究算法的测试分析等模块。     

基于小波分析的滚动轴承摩擦副表面损伤故障诊断系统

针对滚动轴承故障振动(非平稳信号)之特征,提出了基于小波分析的滚动轴承故障诊断方法.该方法应用Matlab软件对包含滚动轴承故障信息的信号进行小波分解和重构,通过细化频谱分析,可有效地把轴承中的故障信息成分检测出来,从而快速地判断轴承的故障类型.基于上述研究,研发出一套适用的滚动轴承摩擦副表面损伤故障诊断系统.经实践检验,诊断方法正确,检测结果稳定、可靠.该系统经改进和功能扩展,可应用于其他振动信号的采集和分析.     

基于时变自回归模型与神经网络的滚动轴承故障智能诊断

使用时变自回归建模分析方法建立滚动轴承振动信号特征提取模型,基于基函数算法求解该模型的时变参数,并采用AIC准则确定模型阶数。在利用上述参数化模型对轴承振动信号进行特征提取的基础上,构建BP神经网络,有效地实现了轴承故障的智能诊断。     

EMD的LabVIEW实现及其在滚动轴承故障信号分析中的应用

通过对图形化编程软件LabVIEW的二次开发实现了经验模态分解(EMD)算法,为利用LabVIEW构建振动信号分析系统提供了有利分析工具。根据滚动轴承故障产生机理和故障信号的振动特点,将此方法运用到对轴承故障信号的分解上,对分解出的高频本征模函数(IMF)做包络解调从而提取出故障信息,并通过对实际故障轴承数据的分析验证了此方法的有效性。     

气体轴承试验平台测试系统

为分析气体轴承-转子系统在高速旋转时的振动稳定性,建立了轴承试验平台,并基于LabVIEW开发了动态数据采集及处理系统以实现在线监测.通过该测试系统,可以实时显示旋转机械振动分析的各种图谱,为轴承-转子系统各种故障的快速诊断提供依据,并可将振动数据保存及实现历史数据的查询.     

基于DSP和ARM的滚动轴承自动监测和故障诊断系统

为了提高轴承检测系统的稳定性和降低检测系统的成本,介绍一种基于DSP和ARM的滚动轴承自动监测和故障诊断系统,该系统采用了轴承振动信号的时域参数法来判断轴承故障,使用共振解调的诊断方法来判断故障的类型。实际使用证明,该系统具有诊断的高效和技术先进性。     

基于虚拟仪器的滚动轴承故障诊断系统的设计

根据滚动轴承信号的特点,提出了一种基于小波包分解和共振解调技术相结合的滚动轴承故障诊断方法,并开发了基于虚拟仪器的故障诊断系统.首先采用小波包将信号进行分解,再利用共振解调技术分析小波包的高频段,以诊断轴承故障.然后运用LabVIEW图形化编程语言设计了相应的滚动轴承故障诊断程序,最后在ADBE-56-N4型交流电机上实测了6305型滚动轴承故障模拟信号,分析结果表明,该方法有效地提取了故障特征和诊断轴承故障,有很好的实用性和有效性.     

圆锥滚子轴承旋转灵活性测量仪的设计

设计了一种圆锥滚子轴承旋转灵活性在线测量仪。该仪器通过测量旋转编码盘转速变化实现旋转灵活性的数字化测量。其机械结构基于PLC控制,实现机械动作的自动完成;开发了基于LabVIEW的数据采集处理软件,实现轴承旋转灵活性的数字化判断。测量仪测量效率为10s/套,实现了无人在线检测,满足圆锥滚子轴承装配线中旋转灵活性自动化测量的要求。     

基于形态分量分析和包络谱的轴承故障诊断

滚动轴承出现局部损伤时,其振动信号往往由包含轴承自身振动的谐振分量、包含轴承故障信息的冲击分量及随机噪声分量构成。提出了基于形态分量分析和包络谱的滚动轴承故障诊断方法。该方法根据轴承振动信号中各组成成分的形态差异,利用改进的形态分量分析对滚动轴承故障振动信号中的谐振分量、冲击分量和噪声分量进行分离,然后对冲击分量进行Hilbert包络解调分析,根据包络谱诊断滚动轴承故障。算法仿真和应用实例表明,该方法能有效提取滚动轴承故障特征。     

铁路货车轴承振动质量在线检测系统

介绍了一种铁路轴承在线振动检测系统,该系统除可以实现铁路双列圆锥滚子轴承振动质量的在线检测,对振动质量进行鉴别外,还可以实现实时在线SPC质量控制,为铁路轴承振动检测提供了一种新的手段。     

利用无线模块的列车轴承在线监测系统的设计

鉴于道旁麦克风采集的声音信号受多普勒效应及周围噪声影响而难以提取的缺陷,提出一种基于无线模块的轴承在线监测系统。通过振动传感器在线采集轴承振动信号,利用无线模块进行无线数据传输,最后对接收到的数据进行分析处理以确定是否有故障。主要从无线模块选型、硬件电路实现、通信协议等几个方面介绍了系统的设计与实现过程。     

基于DSP的轴承外观表面缺陷检测系统

针对滚动轴承外观表面缺陷依靠人工检测,提出了一种利用数字图像处理技术实现对滚动轴承外观表面缺陷的在线检测.以TMS320DM643为核心器件建立了实时数字图像处理的硬件系统,通过CCD摄像机获取轴承外观表面的视频图像,利用图像分割等算法对视频图像进行处理,提取轴承外观表面缺陷,实验结果表明,该系统可有效地检测出表面外观有缺陷的滚动轴承.     

滚动轴承非线性时变参数动力学模型与故障机理研究

基于滚动轴承故障动力学模型研究其振动特性及故障机理是实现轴承故障准确诊断的基础。为描述滚动轴承缺陷对其振动响应特性的影响,考虑滚动体与缺陷的相对几何关系,提出了时变接触变形与时变刚度耦合的滚动轴承故障非线性动力学模型。以NSK6205深沟球轴承为对象,通过建立6+N_b自由度非线性时变参数动力学模型,分析了滚动体通过外圈缺陷区域时接触变形、接触刚度以及振动响应的变化过程,得到了不同缺陷尺寸下滚动轴承故障冲击振动响应特征变化规律。理论分析和实验研究结果表明,随着缺陷尺寸的增加,滚动轴承故障振动响应产生由双冲击到多冲击的变化特征,不同缺陷尺寸下,滚动体进入和离开缺陷过程中产生的冲击响应明显不同。研究成果为基于振动信号实现滚动轴承故障尺寸判断提供了理论依据。     

基于LabVIEW和cRIO的滚动轴承故障诊断系统设计

监测与故障诊断技术是维持轨道交通平稳运行的重要保障,也是现代化交通不可或缺的关键环节。文中设计了一种基于LabVIEW和cRIO相结合的轨道交通滚动轴承监测与故障诊断系统。系统采用NI-cRIO9075机箱和NI9215电压模块作为硬件,利用LabVIEW完成信号的采集、存储、图形显示以及命令的执行,通过调用MATLAB Script节点,实现信号的特征提取,并利用概率神经网络对故障类型进行准确的判别。通过轴承故障实验平台进行验证,该系统能够快速、准确地采集和分析振动信号,且拥有友好的人机交互界面,充分地实现了软硬件的结合以及资源的共享,具有一定的应用价值。     

滚动轴承早期缺陷振动的简化模型

建立了滚动轴承早期缺陷振动的线性简化模型,依据该模型分析了滚动轴承早期缺陷引起振动的特性。理论分析和实际测量表明:滚动轴承早期缺陷激励出轴承的固有振动,产生了脉冲冲击波;非周期早期缺陷振动为正常振动信号叠加一个或几个离散脉冲冲击波,产生垃圾音,周期早期缺陷振动为正常振动信号叠加一串串周期脉冲冲击波,产生内圈伤音、外圈伤音或滚动体伤音;脉冲冲击波是滚动轴承早期缺陷引起的异常声的主要原因。     

基于信息融合的机器人薄壁轴承故障智能诊断

为了实现轴承故障智能诊断,对基于信息融合的机器人薄壁轴承故障智能诊断方法进行研究。首先,采用声发射和振动传感器,搭建了机器人薄壁轴承试验与多信息数据采集系统;然后,以薄壁单列角接触球轴承ZR71820为对象,在轴承外圈、内圈和滚动体上分别制作点蚀、裂纹缺陷,用正交试验法采集不同缺陷类型、不同当量载荷及不同转速状态下薄壁轴承在试验过程中的声发射和振动信号;最后,选取时域中均方根值和峭度指数及频域中均方根频率作为振动、声发射信号的特征参数,分别进行了基于单一振动、声发射信号的薄壁轴承故障诊断,并采用SOM与BP神经网络将试验过程中的振动和声发射信号的特征信息进行融合,研究了基于信息融合的机器人薄壁轴承故障智能诊断技术。结果表明:基于振动信号故障诊断的正确率为85.7%;基于声发射信号故障诊断的正确率为81.0%;基于BP神经网络信息融合故障诊断的正确率为93.5%;基于SOM神经网络信息融合故障诊断的正确率为95.2%。基于SOM神经网络信息融合的薄壁轴承故障智能诊断比单用振动或声发射信号的诊断正确率分别高出9.5%和14.2%,比用BP神经网络信息融合故障诊断的正确率高1.7%。     

基于多尺度熵与SOM神经网络的滚动轴承故障识别

滚动轴承故障识别是实现视情维修的基础。针对滚动轴承出现故障时振动信号表现出的非平稳性和非线性,提出了一种基于多尺度熵(Multi-scale Entropy, MSE)和自组织特征映射(Self-organizing Feature Maps, SOM)神经网络的滚动轴承故障识别方法。该方法通过提取滚动轴承振动信号中不同故障状态下的MSE作为SOM神经网络的输入,通过SOM神经网络进行识别,得出轴承的不同故障及故障程度。通过实验表明提出的方法能有效地实现滚动轴承故障类型以及故障程度的智能识别。     

基于振动分析的滚动轴承故障诊断系统设计

滚动轴承故障诊断意义重大,振动分析是诊断滚动轴承故障最有效的手段。文中根据滚动轴承振动信号的特点,以包络检波技术为基础,利用LabVIEW设计出相应的滚动轴承故障诊断系统。提出带通滤波和包络谱细化这两个系统设计中的关键技术问题并给出了解决方法。试验结果证明:系统能够有效地诊断出轴承存在故障且能判定发生故障的元件。