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LabVIEW的矿井主通风机滚动轴承监测系统设计

针对矿井主通风机滚动轴承实时状态监测和故障诊断困难的问题,以LabVIEW作为软件开发平台建立了一套适用于矿井主通风机滚动轴承的监测系统,通过对滚动轴承振动信号实时采集、显示、存储和分析,实现了对滚动轴承工作状态实时监测,通过引入特征提取模块,突出了表征故障特征的周期性冲击成分,并将其输入到故障诊断模块实现滚动轴承故障的分类,提高了故障分类的准确率。该系统适应于复杂工作环境下的矿井主通风机,能够准确识别出滚动轴承的工作状态,为矿井主通风机安全运行提供重要保障。     

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。     

基于冲击脉冲法滚动轴承状态监测研究

 滚动轴承的状态监测和故障诊断一直是国内外发展机械故障诊断技术的研究重点之一。本文研究了冲击脉冲法的原理和评判依据,以洗煤厂渣浆泵滚动轴承组件为对象,利用冲击脉冲法研究了其状态监测和故障诊断问题,通过对洗煤厂渣浆泵轴承组件的跟踪监测,并对监测结果进行了趋势分析,发现了该滚动轴承组件存在故障的结论,检修结果验证了判断结果的正确性。     

减速器中滚动轴承的故障监测研究

主要论述了滚动轴承的故障监测技术 ,通过分析滚动轴承振动信号的特征 ,提出了用传感器监测滚动轴承工作状态的方法和所用仪器 ,并提供一些实际检测结果以供参考     

基于循环平稳理论的滚动轴承故障研究

循环平稳信号是非平稳信号中统计特征平稳的特殊信号,随着循环平稳理论的不断深入,它在旋转机械健康监测与故障诊断方面应用越来越广泛,在阐述基本理论的基础上,分析了各种循环平稳算法的特点及其在滚动轴承故障特征提取的应用。最后指出循环平稳理论在今后故障诊断领域应用的发展方向。     

井下运输设备滚动轴承状态监测与故障诊断系统

利用８９Ｃ５１构成的单片机系统对井下运输设备滚动轴承的振动信号进行数据采集和存贮，然后通过串通讯口传输到终端计算机进行数据处理和分析。     

基于LabVIEW的提升机制动器监测系统

通过对矿山提升机运行原理和实际工况的深入分析,提出了实时监测系统的总体设计方案,对系统功能进行了划分,确定了软件的开发环境和开发工具,并提出了基于虚拟仪器的设计思想,以图形化开发平台LabVIEW为技术核心,设计开发了基于虚拟仪器的矿井提升机监测系统。该系统采用模块的思想进行编写,实现了数据采集、处理、显示及主态量的监测等功能;并在LabVIEW环境下使用MATLAB中的BP人工神经网络工具箱进行故障分析。     

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     

基于神经网络的煤矿机械滚动轴承故障诊断研究

滚动轴承失效是煤矿机械常见的故障之一,一旦出现此类故障较难及时发现并修复,造成极大的经济损失。为此提出了一种可在滚动轴承故障发生早期进行及时预测诊断的方法,可以根据滚动轴承故障早期振动信号的各种特征分量进行模式匹配,从而识别出故障类型以便及时采取措施。在进行故障预测和模式识别时,采用了原始BP神经网络和经过遗传算法优化的GA-BP神经网络,经过仿真比较显示,后者的性能更强。     

基于VMD-PE和M-RVM的滚动轴承故障诊断

针对传统EMD易产生模态混叠,原始SVM、RVM方法存在核函数选取困难、识别效率低等问题,提出一种基于变分模态分解(VMD)、排列熵(PE)以及混合蝙蝠算法(BA)优化的多分类相关向量机(M-RVM)的轴承故障智能诊断方法。首先,VMD分解故障信号,获得本征模态函数(IMF);然后将PE用于IMF的故障特征提取过程,形成特征序列;最后,将所得的特征序列输入基于混合BA优化的M-RVM故障诊断模型,对不同故障进行分类识别。对试验数据的分析结果表明,基于VMD-PE与M-RVM的滚动轴承故障诊断可以提高轴承故障诊断的准确度。     

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。     

小波包分析在滚动轴承故障诊断中的应用

针对滚动轴承故障特征的提取问题,讨论了小波包分析的基本原理,基于小波包分析方法在滚动轴承故障诊断中的应用,并用LabVIEW编制了相应的程序。实践表明,小波包分析方法具有明显的诊断意义。     

基于小波变换的煤矿机械滚动轴承故障诊断

由于煤矿机械的特殊工作环境,采集到的故障振动信号通常掺杂着非常明显的噪声干扰信号,如何从复杂的信号中提取出有用的信号非常重要。以煤矿机械滚动轴承为研究对象,通过模拟实验并利用小波变换的阈值去噪及分解与重构对煤矿机械滚动轴承振动信号进行分析处理,提取故障特征信息。实验结果表明,与传统机械故障诊断方法相比,该方法在振动信号的有效提取及检测时效性与准确性方面具有明显的优势,既减少了检测人员的工作量,又提高了检测效率。