基于无量纲指标与小波变换的轴承故障诊断研究

鉴于滚动轴承在运转过程中能够产生冲击振动信号,将无量纲指标、小波变换与Hilbert包络分析相结合,实现对滚动轴承的故障诊断。将采集到的滚动轴承振动信号进行裕度指标、峭度指标等无量纲指标分析,来定性判断轴承是否存在故障,通过小波变换减小白噪声等干扰信号的影响,通过Hilbert包络谱解调分析,获取能够反映故障频率的振动信号。实例表明,该方法能够简单有效地实现滚动轴承的故障判断。     

小型挖掘机回转支承的故障诊断方法

设计并搭建回转支承试验台和信号采集分析系统,对外圈点蚀的回转支承工作信号进行采集。由于回转支承故障信号较微弱,故结合小波理论,对采集信号进行分解,对含有故障特征的信号进行重构。应用Hilbert变换进行解调和细化频谱分析,发现故障特征频率,从而判断了回转支承的故障位置,表明小波分析结合Hilbert分析法对回转支承的局部损伤故障诊断是有效的。     

小波分析和Hilbert谱分析在故障诊断中应用

为了能有效地识别滚动轴承故障信号的非平稳和调制特点,提出了一种基于小波分析和Hilbert谱分析的滚动轴承故障诊断的新方法。使用小波分析对包含故障信息的信号进行分解、重构。进一步应用Hilbert变换进行解调和细化频谱分析。结果表明,小波分析和Hilbert变换的联合能够有效地提取故障特征频率并判断故障类型,非常适合滚动轴承的故障诊断。     

基于包络谱分析的滚动轴承故障诊断方法研究

分别用小波分解、小波包分解和EMD分解处理滚动轴承故障数据,并结合Hilbert变换进行包络谱分析实现滚动轴承故障诊断。对滚动轴承故障数据进行小波阈值降噪。小波阈值降噪后分别进行小波分解、小波包分解和EMD分解。分别求出小波分解、小波包分解和EMD分解后各个频带的能量谱。再根据能量谱确定故障频带范围并对其进行信号重构。采用Hilbert变换对重构信号进行包络谱分析实现滚动轴承故障诊断。通过对滚动轴承内圈故障信号的分析验证了小波分解、小波包分解和EMD分解结合Hilbert变换进行包络谱分析的滚动轴承故障诊断方法的有效性。     

基于频谱分离与小波包分析相结合的滚动轴承故障诊断

针对提取的滚动轴承故障振动信号中包含大量噪声,采用频域分离的方法,从故障轴承振动信号中分离出纯故障信号,通过对纯故障信号进行小波包分解和重构,对重构后的小波包系数进行Hilbert包络解调并求取解调后信号的功率谱,从而从功率谱中识别出滚动轴承的故障特征频率,达到滚动轴承故障诊断的目的,并结合实验数据对该方法进行验证,结果证明了该方法的有效性。     

煤矿主通风机电机转子断条故障诊断方法研究

为了提高煤矿主通风机电机转子断条故障诊断的准确性,提出了一种基于Hilbert变换和小波包的故障检测方法。通过对定子电流信号进行基波和故障特征分量滤波,然后进行Hilbert变换,利用原信号和变换后的共轭信号构成Hilbert模量,再经过两次Hilbert变换,将直流分量滤除。通过小波包频带能量分解技术,将Hilbert模量信号分解到不同频带,使故障特征更加明显。使用所研究方法对现场实测数据进行分析表明,此方法能够很好地突出故障特征,实现转子断条故障检测。     

基于小波分析的轴承故障诊断研究

轴承故障诊断是大型矿山机械设备故障诊断的一个重要方面。基于轴承振动信号的非平稳特征及小波变换对非平稳信号分析的有效特性,在研究小波变换理论的基础上,提出了一种基于小波分析的轴承故障诊断方法。将振动信号进行小波分解与重构,然后对细节信号进行Hilbert包络检波和频谱分析,即可获取信号的特征频率。通过对球状点蚀故障诊断的实验仿真,验证了该方法有效可靠。     

基于小波包包络分析的滚动轴承故障诊断

提出一种基于小波包、能量分析和包络分析相结合的滚动轴承故障诊断方法。对实测振动信号进行小波包去噪,提取出有用的振动信号。利用小波包将去噪后的信号分解,求出分解后各频带的能量,根据各频带内能量分布,确定故障所在频带,并以此作为特征分量。对特征分量进行Hilbert解调分析,将包络谱谱峰处的频率与理论计算的滚动轴承故障频率进行对比,诊断轴承故障并确定故障位置。     

基于Hilbert变换的滚动轴承故障诊断

滚动轴承是工业应用系统中的重要部件,其引发的故障是引起机器设备失效的重要原因。Hilbert变换基于滚动轴承故障引发的高频固有振动,提取包络信号。通过包络信号进行频谱分析从而提取滚动轴承的故障特征信息。通过采集内圈故障、外圈故障的滚动轴承振动信号,采用Hilbert变换对轴承的振动信号进行了分析,验证了Hilbert包络解调技术在滚动轴承故障诊断中的有效性。     

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。     

两级行星齿轮断齿故障的均载特性研究

为研究煤矿机械中两级行星齿轮传动系统的均载性能,运用ADAMS软件建立了系统的动力学模型。进行仿真后,比较了整个行星齿轮传动系统在健康状态下和太阳轮断齿故障时系统的啮合力曲线和均载系数曲线。结果表明,随着太阳轮断齿程度的增加,系统的均载系数变大,均载性能变差,且第1级行星轮系的太阳轮断齿故障对第2级的均载性能无明显的影响。仿真结果可以为系统的故障诊断和检测提供依据。     

NGW型行星轮系瞬时啮合的仿真分析

在ANSYS中分别建立NGW型行星轮系太阳轮、行星轮、齿圈的有限元分析模型,并实现三者的准确装配。对啮合过程进行瞬时啮合仿真分析,精确获取啮合过程中各齿轮齿面接触应力和齿根弯曲应力变化曲线。在此基础上提取了各齿轮齿面接触应力和齿根弯曲应力最大值及对应的啮合位置,为对掘进机减速器NGW型行星轮系的寿命分析及结构优化提供依据。     

循环自相关函数在滚动轴承故障特征提取的应用

应用循环自相关函数和快速谱峭度相结合的方法,对滚动轴承早期故障诊断进行分析研究。首先利用谱峭度方法确定滚动轴承振动信号的最佳带通滤波器,然后利用循环自相关函数对滤波后的信号进行解调,提取出滚动轴承故障特征频率,有效地减少了噪声信号的干扰且增强了故障信号。通过仿真与实验数据的轴承故障振动信号验证所提方法的有效性。     

基于小波分析的提升机轴承故障诊断

以某矿主井提升机上天轮滚动轴承为研究对象,以小波分析为理论基础,在MATLAB软件中对试验采集的振动信号进行小波分解重构,利用Hilbert变换进行包络解调分析并进行细化频谱分析,可以准确有效地检测出轴承中的故障信息成分,进而判断轴承故障。通过现场检修,验证了试验结论的正确性,说明小波分析在轴承的故障诊断中是可行有效的。     

基于Hilbert解调技术的齿轮故障诊断研究

阐述了齿轮振动信号的调制原理,讨论了Hilbert变换的定义及解调原理。应用Hil-bert变换的解调技术对齿轮振动信号进行了幅值解调分析。工程应用的研究结果表明,针对齿轮振动信号的调制现象,利用Hilbert技术能从复杂的振动信号中解调出故障齿轮的调制信息,进而判断出故障齿轮的部位,是一种可靠的故障诊断方法。     

小波变换在轴承故障诊断中的应用

针对轴承故障诊断中非平稳信号的特征提取问题,采用小波变换理论对其进行处理。构建了减速器轴承故障实验平台,采集了大量实验数据。通过滚动体点蚀的典型故障实验与小波变换处理及轴承故障频率分析,获取了该故障的特征频率参数,表明小波变换在非平稳信号处理方面的有效性。     

基于EMD细化包络谱分析在轴承故障诊断中的应用

将经验模式分解(empirical mode decomposition,EMD)、Hilbert变换和细化(ZOOM)技术结合在一起。通过EMD分解的自适应滤波算法,避免了依靠经验来设置带通滤波器的中心频率和带宽,或者用小波方法对信号进行分解时,需要预先确定基函数和分解尺度的缺点,从而为计算包络谱的细化提供了一种简易算法。结果表明,基于经验模式分解自适应滤波的滚动轴承振动信号解调方法能够有效地突出故障特征频率成分,避免误诊断。     

基于小波包算法的回转零件故障诊断

针对传统的故障诊断方法的局限性,将小波包分析方法应用到回转零件故障诊断中,利用小波包分解和重构方法有效地提取回转零件的共振频段,解决了传统方法人为确定共振解调频段的局限性。应用小波包算法处理后的信号重新采样,再根据Hilbert变换和包络谱细化原理,得到一种新的细化包络谱。通过回转零件的故障诊断实验分析,验证了该理论方法的正确性和实用性。     

采煤机差动2K-H行星轮系固有特性分析

针对传统采煤机滚筒恒速截割时工况适应性差的特点,提出一种采煤机滚筒转速可调的新型截割传动系统。为了解该截割传动系统的性能,以系统中非同轴传动的差动2K-H行星轮系为研究对象,采用集中质量法建立其平移-扭转耦合动力学模型。对轮系固有特性的分析表明,非同轴传动行星轮系不存在经典的扭转振动与平移振动模式,但仍存在行星轮振动模式;支撑刚度对系统的低阶固有频率影响较大,而啮合刚度主要影响系统的高阶固有频率;外啮合齿轮副啮合刚度分段影响非同轴传动行星轮系的固有频率。推导出2K-H行星轮系啮合频率的通用表达式,表明其啮合频率正比于齿圈和太阳轮的转速差。分析结果可用于指导该新型采煤机截割传动系统的设计,并为制定滚筒调速范围提供参考。     

基于改进的HHT边际谱齿轮箱故障诊断

针对信号经验模态分解(EMD)过程中存在波形混叠现象,提出一种基于聚合经验模态分解(EEMD)和Hilbert边际谱相结合的方法对齿轮箱故障进行故障诊断。首先使用小波阈值分析对背景噪声较大的齿轮箱振动信号进行预处理,提高EEMD分解的精确度;其次对预处理信号进行分解,得到IMF分量,对比正常信号与故障信号的区别;最后对2种工况信号进行Hilbert变换并计算得到边际谱,确定故障信号的故障频率。研究表明该方法在避免EMD分解带来的模态混叠现象方面具有可行性,能提高齿轮箱故障诊断的准确率。