基于FDM和MED的滚动轴承故障诊断方法

针对滚动轴承早期微弱故障特征难以提取的问题,提出最小熵反褶积(MED)与傅里叶分解(FDM)联合降噪的方法。利用MED对采集到的滚动轴承振动信号进行处理以消除噪声影响,将降噪后的信号经过FDM得到若干傅里叶固有频带函数(FIBFs)。依据相关系数准则,选取故障特征信息较丰富的前3个分量进行重构,用包络谱对重构信号进行分析。实验结果表明,MEDFDM包络谱中特征频率及其倍频的幅值明显增大,噪声幅值减小,能有效地提取滚动轴承的早期微弱故障特征,且效果优于FDM。     

基于EEMD降噪和滑动峰态解调的滚动轴承故障诊断方法

针对滚动轴承早期故障特征十分微弱且易被强背景噪声淹没这一问题,引入零时滞4阶累积量(即峰态因数)用于描述信号中弱冲击成分偏离高斯分布的程度,从而提出一种基于EEMD降噪和滑动峰态解调的滚动轴承早期故障诊断方法。该方法首先将故障信号进行EEMD分解得到一组IMFs,根据度量因子和信息熵准则筛选出最能表征故障信息的IMF分量进行重构;然后,利用谱峭度方法自动确定带通滤波器参数进行带通滤波,对滤波后的信号采用滑动峰态算法计算峰态时间序列即峰态包络,并根据频谱分析结果诊断轴承故障发生部位。该方法解决了带通滤波器参数选择问题,同时可提取轴承早期故障振动信号中的微弱冲击成分。利用试验信号对新方法进行检验。结果表明:与传统方法相比,新方法能够有效解决强噪声背景下的早期微弱故障的特征提取问题。     

强背景噪声下滚动轴承轻微磨损故障特征提取方法

针对轴承轻微磨损故障信号容易被强背景噪声淹没，故障特征微弱难诊断的问题，提出了强背景噪声下滚动轴承轻微磨损故障特征提取方法。利用VMD对轴承振动信号进行分解，基于峭度最大准确选择最优本征模态函数，以最优本征模态函数的功率谱熵最小为目标，设定提前终止准则，实现VMD参数自适应优化选择。轴承早期故障信号经参数优化后的VMD方法分解为多个本征模态函数，选择峭度最大的本征模态分量进行包络解调分析，结合快速傅里叶变换得到包络谱，实现故障特征频率的提取。通过对加强背景噪声的不同型号轴承的实测故障信号分析，结果均表明该方法能够在强背景噪声干扰下有效提取轻微磨损故障信号的故障特征，实现轴承轻微磨损故障的准确诊断，验证了该方法的有效性。     

基于ITD和MED的滚动轴承故障特征提取方法

针对强背景噪声下的滚动轴承故障振动信号,提出了固有时间尺度分解(ITD)和最小熵解卷积(MED)相结合的故障特征提取方法。首先对信号进行ITD分解,通过计算各分量与原信号的相关系数,去除虚假分量后重构信号;再利用MED的方法对重构后的信号进行降噪处理;最后对降噪后的信号进行频谱分析,提取故障特征频率。仿真分析和实验结果表明,该方法可以有效降低信号中的背景噪声,提高故障诊断的准确率。     

基于EEMD和DT-CWT的滚动轴承在非稳定运行时的故障诊断研究

为解决滚动轴承在变转速工况下的频率谱模糊及强噪声工况下的微弱故障信息提取问题,提出基于EEMD和DT-CWT相结合的故障特征分离法。首先应用阶次跟踪技术将非平稳的时域信号转化为平稳的角域信号,再运用EEMD技术对角域信号进行预处理,应用互相关与峭度准则提取有效的IMF分量,最后对IMF分量进行DT-CWT降噪,分析降噪后的角域信号阶次谱,能够有效提取特征阶比。通过实验验证了该方法的有效性,为实际滚动轴承在非稳定运行时的微弱故障识别提供参考。     

基于零空间追踪和包络谱的滚动轴承故障诊断

从振动信号中提取故障特征是滚动轴承故障诊断的常用方法。提出了利用零空间追踪算法和包络谱分析进行滚动轴承故障诊断的方法。首先对轴承故障振动信号进行零空间追踪(Null Space Pursuit)分解,降低噪声的干扰,提取高能量成分。然后对高能量分量进行包络谱分析得到振动信号特征频率,与理论故障特征频率对比后确定故障类型。仿真和试验结果显示该方法能够成功提取特征频率,辨别轴承故障类型,具有一定的实际意义。     

矿用风机故障诊断方法研究

为了保障煤矿通风安全,提高矿用风机故障诊断的准确性,采用时域统计分析方法对风机轴承振动数据进行分析,综合利用峰值因子、均方根值、峭度指标和裕度系数对煤矿风机轴承进行在线监测;利用小波包络的方法对风机轴承信号进行处理分析,设计并训练了收敛速度快、精度高的BP神经网络。结果表明,峭度指标和裕度系数对轴承的缺陷比较敏感,不受轴承型号、载荷、转速等条件的影响;小波包络的方法对于处理强噪声环境下的非平稳振动信号有良好的效果,能够准确地提取信号中的故障特征。运用小波包和神经网络相结合的方法能够高效诊断出风机故障类型,指导设备维护。     

超千米深井提升机可视化监测系统应用

针对超千米深井摩擦式提升系统高速、重载运行下的安全监测问题,提出以关键承载部件为监测对象的深井提升机可视化监测系统。从提升系统组成结构、工作机理出发,确定以轴承、钢丝绳、天轮为监测对象,设计了模块化结构的可视化监测方案。基于最小熵反褶积(Minimum Entropy Deconvolution, MED)结合总体平均经验模态分解(Ensemble Empirical Mode Decomposition, EEMD)的方法对轴承振动信号分解,采用相关系数和样本熵确定有效分量并从其中提取故障微弱特征信号,在此基础上以在线-离线诊断方式实现轴承故障实时在线识别。设计基于机器视觉的钢丝绳摆动和天轮偏摆监测方案,通过摄像头位置布置提高监测对象与背景对比度,利用图像边缘识别算法实现图像数据的处理。通过采集张力平衡装置油压对张力进行监测,利用动力供电装置对提升容器上张力监测设备供电,完成系统软件设计和硬件平台搭建,并进行模拟试验验证关键技术的可行性。轴承故障模拟试验结果表明采用相关系数和样本熵可对EEMD分解信号中的有效分量进行提取,得到对应的轴承故障频率。钢丝绳摆动模拟试验结果表明图像边缘检测...     

样条小波在液压泵故障诊断中的应用研究

采用具有线性相位的Ｂ样条小波,应用图形显示算法并结合小波变换快速算法将信号分解到不同的频带上,且分解结果和原信号长度保持一致,可对信号进行深层次的处理,克服了传统的信号处理方法不易提取微弱信息的不足,通过对矿用斜轴式柱塞泵振动信号的分析,分离出了配流副磨损,球铰松动,缺体及泵轴支撑轴承的故障特征,为液压泵的故障诊断提供了依据,并为信噪分离,微弱信号提取及设备的早期故障诊断提供了一条有效途径。     

基于FA-SR与LMD的滚动轴承故障检测

由于噪声的严重影响,滚动轴承故障特征的提取颇为困难。针对该问题提出了基于改进的萤火虫算法(FA)优化随机共振(SR)与局部均值分解(LMD)结合的方法。首先利用优化后的SR系统使信号达到最优共振,再经过LMD将信号分解成多个乘积函数(PF),以信息熵、相关系数为标准选取合适的PF分量重构信号,对重构后的信号进行快速峭度图(FK)分析,由所得参数设计带通滤波器,最后用Hilbert包络解调滤波后的信号即可得到故障特征。通过对轴承实验数据的分析表明,该方法能可靠地检测出轴承故障特征。