滚动轴承故障的模糊诊断

将模糊数学方法引入到旋转机械故障诊断中,提出了由历史数据及专家优序数综合确定模糊隶属度方法,建立了模糊诊断模型,解决了针对数种故障征兆,如何准确、快速地找到引起故障的真正原因,从而为旋转机械,尤其是滚动轴承故障的诊断维修工作提供了一种科学、可行的新方法。     

滚动轴承早期故障智能诊断方法

滚动轴承的早期故障特征微弱,针对该问题,提出了一种信号包络时频变换卷积神经网络(CNN)故障诊断方法,以实现滚动轴承早期故障诊断。实验结果表明,所提方法不仅减少了训练数据,还具有较高的准确率和稳定性。     

基于MATLAB的滚动轴承故障监控系统设计

针对滚动轴承重要性、故障发生的高频性以及故障振动信号的非平稳特性,开发了基于MATLAB的滚动轴承故障监控系统。该系统包含多个GUI分析界面,且各界面间能相互传递数据,通过调用传统信号处理方法和EMD分析方法,实现了对滚动轴承振动信号的全面分析,验证了该系统的可行性以及各种信号处理方法的有效性,完成了滚动轴承状态的实时在线监测。     

采用GA-BP算法和EMD的滚动轴承故障诊断方法

针对滚动轴承故障识别和分类问题,提出一种采用GA-BP算法结合经验模态分解(EMD)方法的滚动轴承故障识别方法。该方法首先利用EMD方法对不同类型的故障信号进行分解,获得若干个阶次的IMF分量,然后求出其能量占比,并构造相应特征向量组,最后将特征向量组输入遗传算法(GA)优化的BP神经网络中进行训练和测试,进而对故障进行分类和识别。结果表明,该方法能有效提取滚动轴承故障特征信息,并快速地对不同故障类型进行识别。     

滚动轴承故障的振动检测方法

本文首先简介了滚动轴承故障技术的国内外概况,分析了故障轴承的振动信号特征,着重论述了振动诊断方法中的各类诊断技术及其特点,阐述了时间－频率分析方法在轴承故障诊断中的优越性,指出了轴承故障诊断的最新发展方向。     

滚动轴承故障的振动检测方法

本文首先简介了滚动轴承故障诊断技术的国内外概况,分析了故障轴承的振动信号特征,着重论述了振动诊断方法中的各类诊断技术及其特点。阐述了时间一频率分析方法在轴承故障诊断中的优越性,指出了轴承故障诊断的最新发展方向。     

基于时频分析的滚动轴承故障特征的研究

对滚动轴承的状态监测和故障诊断是国内外都非常关注的课题。滚动轴承是机器中易损元件。据统计旋转机械的故障有30％是由轴承引起的。在滚动轴承故障中，90％的来自内环和外环，10％来自滚动体和保持架^[1,2]。滚动轴承在其运转过程中必然会产生振动，一般来说，由于制造误差、装配原因及其它部件的影响等产生的振动信号一般都是平稳的随机信号。当轴承出现故障时，振动将会加剧，每当损伤点与轴承元件其它表面发生接触时，都将产生冲击作用，导致轴承系统的瞬时高频共振。     

基于小波减噪的滚动轴承故障频率的识别

研究了振动信号局部奇异性在小波变换下的特性,定量分析了小波变换方法的减噪特性。根据滚动轴承故障振动信号和噪声的局部奇异性在小波变换下模极大值在不同尺度上的传播特性不同的特点,利用小波分解和重构算法,对轴承振动信号进行了分解、减噪、重构和谱分析。实验表明,小波减噪方法非常适于低信噪比情况下滚动轴承微弱振动信号的故障频率检测。     

基于EMD和AR模型的滚动轴承故障SVM识别

将经验模态分解和自回归(AR)模型应用到滚动轴承的故障诊断中,该方法先把轴承振动信号分解成不同特征时间尺度的固有模态函数,从而把非平稳信号处理转化为平稳信号处理问题,然后选取表征轴承故障的IMF分量,并建立其AR模型,提取模型的参数输入到支持向量机中进行识别。实验结果表明,该方法是有效的。     

基于EMD和样本熵的滚动轴承故障SVM识别

针对滚动轴承振动信号的非平稳特性和在现实条件下难以获取大量故障样本的实际情况,提出一种经验模态分解、非线性动力学方法—样本熵和支持向量机相结合的故障诊断方法。运用经验模态分解方法对其去噪信号进行分析,利用互相关系数准则对固有模式分量进行筛选,再计算所选分量的样本熵以组成故障特征向量,并将其作为支持向量机的输入以识别滚动轴承的状态。利用实际滚动轴承试验数据的诊断与对比试验验证了该方法的有效性和泛化能力。     

基于MFE的滚动轴承故障诊断方法研究

针对滚动轴承故障振动信号含噪声多、复杂程度高的特点,为实现准确的故障诊断,提出一种基于多尺度模糊熵(MFE)的滚动轴承故障诊断方法。由于LCD方法可以起到降噪的作用,故选用LCD分解后的ISC分量作为粗粒序列,计算分量的MFE。将MFE计算得到的特征参数输入到极限学习机(ELM)分类器中,分类识别滚动轴承的4种状态。实验结果表明,该方法可以有效地提取出滚动轴承的故障特征,实现故障诊断。     

基于小波分析的滚动轴承故障诊断

通过典型信号的MATLAB仿真讨论了小波在检测信号突变点时的选取原则。针对滚动轴承故障振动信号,先进行小波消噪,再进行小波分解与重构,对重构后的细节信号作Hilbert包络并进行谱分析,从功率谱中可清晰地识别出滚动轴承故障特征频率。     

基于LabVIEW的滚动轴承故障诊断系统

通过对滚动轴承工作特性及其故障研究,设计了基于LabVIEW软件的滚动轴承故障诊断系统。分析了滚动轴承振动机理与失效形式,运用共振解调分析与希尔伯特变换作为滚动轴承故障诊断的方法。通过对轴承支持架故障分析表明该系统对滚动轴承故障诊断正确有效。     

基于盒维数的滚动轴承故障诊断

针对滚动轴承振动信号的特点 ,从分形原理出发 ,利用盒维数的概念 ,对由滚动轴承故障产生的非平稳、非线性信号进行了分形特征的盒维数定量描述。试验结果表明 ,由于滚动轴承不同故障动力学产生的机制不同 ,其盒维数明显不同。因此利用盒维数可以准确地诊断出滚动轴承的工作状态     

基于专家系统滚动轴承故障诊断研究

通过应用专家系统对滚动轴承故障进行诊断,在专家系统的知识库中输入了有丰富经验的维修人员通过看、听、触、测得到的故障现象和排除故障的方法,该系统通过人机交互界面实现,使维修人员可以快速找出滚动轴承的故障并进行排除,节约时间,提高效率。     

基于小波频谱分析的滚动轴承故障诊断研究

提出了一种基于小波频谱分析的滚动轴承故障诊断方法。利用小波默认阈值方法进行数据消噪处理,并对消噪后振动数据进行了5层小波分解。根据轴承故障特征频率,对故障特征频率所在层进行小波重构,计算功率谱密度。对滚动轴承故障的振动信号的仿真结果表明,该方法能有效识别滚动轴承的内圈、外圈和滚动体故障。     

基于蝙蝠算法的VMD在滚动轴承故障诊断中的应用

由于滚动轴承的工作情况较为复杂,信噪比较低,使用传统的故障处理方法难以对信号的故障进行有效识别。提出了一种新的故障诊断方法,基于蝙蝠算法提出了参数自适应的变分模态分解(VMD)优化算法。在该方法中,使用蝙蝠算法依据故障的相关分量包络谱熵最小原则获得VMD分量的优化值,实现故障的识别。通过实验验证,该方法能够有效地提取滚动轴承的故障特征,具有一定的实用价值。