应用振动尖峰能量论断滚动轴承故障

以实例介绍应用振动尖峰能量gSE监测和诊断滚动轴承故障的技术。本文介绍振动尖峰能量的概念、适用范围和测量原理,及其判断标准和该技术在诊断滚动轴承故障中的应用。     

滚动轴承故障监测诊断技术应用进展

概述了滚动轴承故障监测和诊断工程与试验应用技术的现状,着重介绍了基于振动信号的信号处理方法,并预测了滚动轴承故障监测和诊断技术应用的发展方向。     

基于振动幅域参数指标的滚动轴承故障诊断

利用幅域参数对滚动轴承早期故障进行监测和诊断。分析了滚动轴承典型故障的机理及其振动特征,针对滚动轴承的典型故障特征,提出采用了幅域参数指标的诊断方法。基于Windows平台,利用Matlab软件编制了滚动轴承振动信号幅域参数指标计算程序,并且通过QPZZ-II旋转机械故障试验系统进行了滚动轴承故障的实例模拟并对所编程序进行了验证。结果表明,利用振动信号幅域参数指标对滚动轴承进行早期故障诊断,效果良好。     

基于拉普拉斯分值和模糊C均值聚类的滚动轴承故障诊断

针对滚动轴承故障振动信号的非平稳特征和故障征兆的模糊性,提出了基于拉普拉斯分值和模糊C均值（FCM）聚类的滚动轴承故障诊断方法。该方法首先在时域和频域对滚动轴承振动信号进行特征提取,组成初始特征向量;然后利用拉普拉斯分值进行特征选择,形成故障特征向量;最后以FCM聚类为故障分类器,实现滚动轴承不同故障类型的识别。应用实例和对比实验表明,该方法能有效提取滚动轴承振动信号特征,诊断滚动轴承故障。     

电厂引风机振动故障诊断及处理

通过黄岛电厂两台引风机效率改造后都出现振动故障无法正常运行,通过现场进行测量分析和试验研究,诊断其故障为风筒支撑刚度不足,并通过加固处理彻底消除了两台引风机的振动故障。     

基于小波分析的变速箱滚动轴承故障诊断方法的研究

利用小波分析技术将滚动轴承故障振动信号分解到时－频空间,定义了滚动轴承故障振动信号能量分布函数Ｓ（ｔ） ,提出了能量分布函数Ｓ（ｔ） 细化谱诊断变速箱滚动轴承故障的分析方法。在某自行火炮的变速箱上进行了一系列滚动轴承故障诊断实验,实验结果验证了能量分布函数Ｓ（ｔ） 细化谱诊断变速箱滚动轴承故障的有效性     

基于Gabor变换与Wigner-Ville分布的滚动轴承故障诊断

滚动轴承是各类机械设备中承担关键支撑作用的零部件,在恶劣工作环境下极易损坏。论文首先通过Gabor变换的方法分析滚动轴承振动信号时频特性,然后计算其Wigner-Ville分布,最后从信号的阶次谱中识别故障特征,从而诊断出滚动轴承故障位置。试验结果表明,论文所用方法能够准确判断滚动轴承技术状态。     

基于小波变换与奇异值分解的滚动轴承故障诊断

滚动轴承是各类机械设备中承担关键支撑作用的零部件,在恶劣工作环境下极易损坏。论文首先通过小波变换的方法对滚动轴承振动信号进行降噪处理,然后应用奇异值分解方法提取信号特征,最后从信号Hilbert谱中识别故障特征频率,从而诊断出滚动轴承故障位置。试验结果表明,论文所用方法能够准确判断滚动轴承技术状态。     

改进极限学习机在滚动轴承振动故障诊断中的应用

滚动轴承广泛应用于机械、铁路运输、航天航空等领域,在旋转机械设备的正常稳定运行中占据着至关重要的位置,其振动故障的准确、快速诊断是保证机械设备正常稳定运行的必要手段,因此,研究一种能够有效诊断滚动轴承振动故障的方法具有重要意义。针对滚动轴承振动信号具有非平稳性、非线性和影响因素相互影响相互作用的特点,结合小波分析理论对滚动轴承振动信号进行故障特征提取,通过借鉴支持向量机的分类思想,从最优化角度出发,引入结构风险最小化原理对极限学习机进行改进及优化,并结合改进后的方法构建了滚动轴承振动故障诊断模型。仿真结果表明,改进的极限学习机进一步提高了滚动轴承振动故障诊断的效率和分类准确率,为滚动轴承的振动故障诊断提供了新思路和新方法。     

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。     

滚动轴承状态监测在1000MW超超临界机组的应用

平海电厂2×1000MW机组通过应用状态监测及加速度包络检测技术对滚动轴承故障进行检测,多次发现并诊断滚动轴承故障,及早发现滚动轴承故障,根据故障发展趋势提前制定维修计划,提高了设备运行可靠性。     

电厂一次风机轴承损坏的故障诊断分析

介绍了某电厂引进汽轮发电机组配套风机的滚动轴承在运行过程中,在振动、温度等参数都正常的情况下出现寿命短、易损坏等故障问题。根据风机运行的实际工况,通过对风机的载荷分析、寿命计算和润滑分析,提出诊断意见和建议措施。结果表明,诊断结论正确,治理措施对延长轴承寿命具有良好效果。     

基于振动和声发射的滚动轴承故障检测

滚动轴承故障早期微弱特征信息的提取对于保障机械系统的正常运行具有十分重要的意义。鉴于单一类型传感器采集到的信息局限性,有时会造成诊断准确率较低。提出了一种将振动加速度与声发射两种检测信息融合的方法,并将其应用于滚动轴承故障的诊断。首先构建滚动轴承多传感器故障信息处理与融合的算法模型,随后基于滚动轴承故障实验平台与测试系统,获得滚动轴承典型状态的振动加速度和声发射信号,并对实验数据进行分析处理;最后,在此基础上,将振动加速度和声发射两种信号数据特征进行融合,完成对滚动轴承故障的诊断。研究结果表明,该方法对于滚动轴承故障模式的识别较为有效。     

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。     

基于Elman神经网络的滚动轴承故障诊断方法

介绍了Elman神经网络的模型及原理,阐述了滚动轴承故障诊断的技术路线;通过轴承故障试验台采集滚动轴承振动信号并提取信号特征数据,利用构建的Elman神经网络,实现了轴承的智能诊断。与传统BP神经网络诊断相比,Elman神经网络综合诊断性能更优。     

基于EMD和Hilbert包络谱的滚动轴承故障诊断

为了对旋转机械中滚动轴承的运行状态进行故障监测和诊断,提出了一种基于EMD和Hilbert包络谱的滚动轴承故障诊断新方法.通过在滚动轴承实验台上提取振动信号,用EMD对数据进行分解得振动信号的固有模态函数分量(IMF分量),然后对IMF作Hilbert包络并进行谱分析.结果表明,该方法能够准确地识别和诊断出滚动轴承的运行状态和故障类型,非常适合滚动轴承故障精确诊断,具有很高的工程实用价值.     

基于S变换和改进SVD的滚动轴承智能诊断方法

对于滚动轴承而言,工程实际中存在诊断样本与训练样本故障类型相同(如均为滚动体故障)但故障程度却不同的现象,同时滚动轴承发生故障时其振动信号表现出明显的非平稳性,因此文中提出一种基于S变换和改进奇异值分解的滚动轴承故障程度鲁棒的智能诊断方法。首先利用S变换得到滚动轴承振动信号时频分布矩阵,再利用改进奇异值分解方法对时频矩阵进行降维进而得到约简的特征向量,最后将提取到的故障特征向量作为支持向量机的输入,利用支持向量机识别轴承所属的故障类型。实验结果表明,该方法能有效地解决滚动轴承训练样本与测试样本故障程度不一致时的诊断问题,效果优于传统滚动轴承诊断方法。     

滚动轴承故障在线智能诊断仪

介绍了滚动轴承故障在线智能诊断仪的基本原理、硬件结构和软件设计等。该仪器利用共振解调技术处理振动信号，用BP神经网络技术自动诊断滚动轴承故障，具有自动化和智能化的优点，且故障诊断准确性高，使用简便。     

基于经验模态分解的滚动轴承故障诊断方法

提出了一种基于经验模态分解的滚动轴承故障诊断方法，并定义了能量熵的概念。从不同状态的滚动轴承振动信号的能量熵值中发现，当滚动轴承发生故障时，各频带的能量会发生变化。为了进一步对滚动轴承的状态和故障类型进行分类，再从若干个包含主要故障信息的IMF分量中提取能量特征参数作为神经网络的输入参数来识别滚动轴承的故障类型。对滚动轴承的正常状态、内圈故障和外圈故障振动信号的分析结果表明，以经验模态分解为预处理器提取各频带能量作为特征参数的神经网络诊断方法比以小波包分析为预处理器的神经网络诊断方法有更高的故障识别率，可以准确、有效地识别滚动轴承的工作状态和故障类别。     

基于AlexNet和迁移学习的滚动轴承故障诊断研究

传统的轴承故障诊断方法需要进行复杂的信号处理,同时依赖专家知识和人工构造算法等技术手段,并且工程实际中可利用的机械设备故障数据量较少,针对这一系列问题,以滚动轴承正常运行时和发生不同故障时收集到的原始振动信号为识别依据,提出了一种基于AlexNet和迁移学习的滚动轴承故障诊断方法。将收集到的滚动轴承原始振动数据转换为振动信号图,并为振动信号图设定了标签,以作为训练样本;对预训练的AlexNet网络进行了微调,以使其符合任务需求,并使用准备好的训练样本对网络进行了训练;使用美国凯斯西储大学轴承数据中心的数据集,对网络模型的性能进行了验证,在滚动轴承的内圈故障、外圈故障和滚动体故障3个故障类别下,达到了100%的诊断精度。研究结果表明:在标记故障数据稀缺的情况下,采用该方法仍可实现对滚动轴承常见故障类型的诊断,且与现有先进方法相比,该方法的诊断精度有所提升。