基于象限面积向量滑动轴承磨损状况定量评价

依托电机滑动轴承,分析滑动轴承在不同磨损状态下轴心轨迹的分布规律。在不同磨损程度下,以判断各周期轴心轨迹的重合度、分布均匀性为出发点,提出了基于无量纲象限面积向量的轴心轨迹重合度和分布均匀性的定量计算方法。即利用各周期与第一周期的面积向量的测度贴近度表示重合度,定量地描述各周期内轴心轨迹的重合情况;在此基础上提取了反应重合度整体离散度的标准差;利用象限面积向量信息熵进行综合的、定量的评价滑动轴承各个周期内轴心轨迹的总体分布均匀性。综合3个无量纲指标,定量地评价滑动轴承的磨损程度。最后,结合实验,检验了该方法的有效性。     

磷虾算法优化多分类支持向量机的轴承故障诊断

为了提高滚动轴承故障类型诊断准确度,提出了磷虾算法优化多分类支持向量机的轴承故障诊断方法。对于时频域特征参数的提取,将CEEMD算法与小波包优势结合,提出了CEEMD与小波包半软阈值去噪相结合的提取方法;对于特征参数降维,针对轴承振动信号的非线性特点,使用局部线性嵌入算法降维,对降维后特征参数使用模糊C均值聚类进行验证,可以看出LLE降维不仅降低了计算量而且有利于模式识别;将二叉树法与投票法支持向量机结合,给出了混合多分类支持向量机,使用磷虾算法对其进行参数优化。实验验证可知,磷虾算法优化的多分类支持向量机具有很高的输出精度,轴承状态识别准确率为100%,使用粒子群算法优化的支持向量机输出精度低,轴承状态识别准确率为79%。     

基于模糊熵与LS-SVM的轴承故障诊断

由于滚动轴承不同状态的振动信号具有不同复杂度的特点,提出利用模糊熵和最小二乘支持向量机(LSSVM)实现轴承故障的准确诊断。模糊熵将模糊理论引入到数据序列的复杂度测度中,能够测量出不同复杂度的数据序列。根据模糊熵计算方法,选择最优参数计算轴承振动信号的模糊熵,作为区分轴承不同故障状态的特征参数。以轴承振动信号的模糊熵为输入,以最小二乘支持向量机为分类器,准确识别轴承故障状态。轴承实测振动信号分析表明,方法能够有效诊断轴承故障,提高故障诊断的准确率。     

基于贵传规划的滚动轴承故障诊断实验研究

用逐次诊断法对轴承进行故障诊断时,找出各步的特征参数很重要.本文基于遗传规划(GP)的方法对初始特征参数进行自组织,并建立了轴承故障诊断实验系统,对四种状态(正常、内圈伤、外圈伤、滚子伤)下所测得的大量的实验数据进行处理,从而生成能识别各种状态的最佳特征参数.     

基于声发射检测技术的转炉耳轴轴承故障诊断

以转炉耳轴轴承为研究对象,将声发射技术应用于转炉耳轴轴承的故障诊断中,提出了应用主成分分析(PCA)和最小二乘支持向量机(LS-SVM)相结合的故障诊断方法。首先,对声发射信号的特征量进行主成分分析,得到更能反映设备状态的综合特征参数,然后将新的特征参数输入到最小二乘支持向量机中进行状态识别。利用在实际生产过程中采集到的转炉耳轴轴承声发射数据进行方法验证。结果表明,新方法能够有效区分出转炉耳轴轴承的故障模式,识别的总体正确率可达97.8%。     

利用SVM和相关山形聚类分析识别滚动轴承状态

状态识别是机械设备故障诊断的关键环节。提出了一种结合支持向量机、主成分分析及相关山形聚类分析的滚动轴承状态识别方法。首先利用支持向量机对轴承特征参数进行分类,辨别是否异常;再利用主成分分析得到独立的、包含原参数主要信息的主成分;最后对这些主成分作聚类分析,达到诊断故障部位的目的。实例分析的结果表明,该方法可以有效地识别轴承状态,正确率达到96%。     

考虑重合度的电动车差减齿轮传动啮合性能分析优化

针对某电动车差减齿轮传动振动大、噪声高等关键问题,建立差减齿轮传动系统动态啮合分析模型,对额定工况与最大转矩工况齿轮副啮合特性进行分析计算,研究了轴向重合度对系统动态响应的影响规律,提出传动系统宏观参数优化方案。研究结果表明,随着轴向重合度的增加,各工况下差减速器关键轴承高速级左右轴承处结构噪声呈现波浪式递减趋势,且在轴向重合度为整数1、2时,系统结构噪声处于波谷位置;差减齿轮传动系统的优化方案使得高速级轴承各方向振动加速度均有所降低,各轴承位置结构噪声降低明显。     

基于谐波小波包和OAO-RVM的滚动轴承故障诊断方法

结合谐波小波包和相关向量机设计了滚动轴承故障诊断方法,以实现轴承正常状态、内圈故障、滚动体故障及外圈故障状态的诊断。首先,利用谐波小波包对轴承的振动信号进行多层分解,根据各频段的小波分解系数计算各个频带能量,归一化之得到特征向量;其次,对传统的OAO-RVM模型进行简化,改进为新的OAORVM多模式分类模型;最后,利用滚动轴承试验台的振动数据对设计方法进行了验证。结果表明,设计的诊断方法在识别的准确率及算法计算效率方面均比传统的支持向量机诊断方法好。     

基于MLMW和CWT灰度矩向量的滚动轴承故障诊断

提出了基于极大提升形态小波(MLMW)降噪的CWT灰度矩向量-LSSVM的轴承故障诊断方法。先利用MLMW对信号进行降噪处理,再将降噪信号的CWT灰度图划分为若干区域,计算各分区的灰度矩组成灰度矩向量,将其作为LSSVM的输入进行故障分类。试验结果表明:相对于原始信号的灰度图,MLMW降噪后的灰度图特征突出、区分显著,相应的灰度矩向量可有效刻画轴承状态;随着分区数增加,诊断准确率升高;相对于原始灰度矩向量-LSSVM方法和小波降噪的灰度矩向量-LSSVM方法,所提出方法准确率高、泛化性好、所需训练样本少,可准确识别轴承故障类型。     

基于时变自回归参数模型的滚动轴承智能故障诊断

轴承运行时的振动信号是典型的非线性非平稳时间序列,对其建立时变自回归参数模型,可以较好地表征轴承振动的非平稳特征。在对轴承振动信号时变自回归模型的时变参数进行大量实验分析研究的基础上,提取均值作为表征轴承运行状态的特征参数,并输入支持向量机分类器进行故障识别与分类,实现滚动轴承的智能故障诊断。实验结果表明,该故障诊断方法可以有效准确地识别滚动轴承的运行状态。