多套超低速重载轴承同轴安装的故障诊断

多套超低速、不完全旋转重载轴承同轴安装时,其特殊的工作状态决定了其振动信号具有非稳态、变载荷、多振源信号混叠、特征频率不易提取等特点,传统频域分析法无法解决这类轴承的故障诊断问题.从角域分析入手,提出了一种基于角域特征量的轴承故障诊断新方法,并用此方法对多轴承同轴进行了故障诊断,证明了该方法的可行性和有效性.     

基于小波包分解和K最近邻算法的轴承故障诊断方法

轴承振动信号具有不平稳和不规则性,难以通过振动信号分析直接进行故障诊断,提出一种基于小波包分解和K最近邻算法的轴承故障诊断方法。首先利用小波包分解轴承原始振动信号,接着对分解得到的频带信号计算样本熵值,将其构建特征向量,最后利用K最近邻算法进行轴承故障诊断。并采用美国CWRU轴承数据集进行仿真实验,故障诊断效果良好,准确率为95%。     

基于RLMD和Kmeans++的轴承故障诊断方法

为了提升轴承故障诊断性能,提出了一种基于鲁棒局部均值分解(RLMD)和Kmeans++的轴承故障诊断方法.利用RLMD方法对轴承振动信号进行分解,得到乘积函数(PF),根据PF分量与原始振动信号的相关程度选择敏感PF分量,叠加敏感PF分量构成重构信号;通过计算原始振动信号和重构信号的时域、频域统计特征形成轴承故障特征集...     

利用Labview实现轴承故障智能化监控

轴承故障智能化监控系统,它充分利用了计算机技术、虚拟仪器技术、数据采集技术、信号分析与处理技术、故障诊断理论来提高对轴承的测量与故障诊断水平。除集成了传统检测仪器的功能外,还进行了功能扩展,提供了友好的人机界面,可在线显示轴承监控的工作参数,利用虚拟仪器的信号处理能力进行故障诊断。     

用故障诊断方法判断机床主轴轴承的工作状态

阐述了利用轴承振动信号可判断机床主轴轴承的工作状态，通过频谱分析可对轴承进行故障诊断及预紧力确定；应用B＆K2148采集振动信号，MATLAB进行数据处理，对CKS6116型机床主轴前轴承进行了故障诊断与预紧力分析并取得了满意的效果。     

基于VMD-LPP融合的轴承故障特征频率提取

为提高轴承故障特征频率的提取效果,提出了变分模态分解(VMD)和局部保持投影(LPP)相融合的轴承故障特征频率提取方法.该方法主要有三个步骤:一是利用VMD对信号进行分解,得到若干个本征模态分量(IMF),并将各分量组成高维信号矩阵;二是利用LPP对高维信号矩阵进行降维得到低维信号矩阵,而后进行信号重构,得到重构信号;三是对重构信号进行包络分析,根据包络谱中突出的频率成分判断轴承故障类型.轴承故障诊断实例验证了方法的有效性.     

基于多通道振动信号的港机车轮轴承故障诊断

提出一种基于多通道振动信号的港机台车车轮轴承故障诊断的方法。通过分析港机台车车轮轴承的特殊性,阐述现有轴承故障诊断方法以及存在的问题,并指出了基于多通道振动信号分析方法的优势。描述了系统信号采集硬件构架,充分发挥现代计算机的高速运算,大容量存储能力,利用多进程并发,采用模块化思想,搭建了分析系统用户界面软件。通过时域、频域、功率谱、静态参数等多种信号分析方法对振动信号进行分析,实现对轴承的故障诊断。实时监测和离线分析大量现场数据结果表明,该故障诊断系统诊断方便,无需停工,成功率高,符合港机台车车轮轴承故障在线诊断要求。     

基于LCD多尺度散布熵的数控机床故障诊断

为提升数控机床用轴承故障诊断效果,提出了基于LCD多尺度散布熵的数控机床轴承故障诊断方法。该方法利用局部特征尺度分解(LCD)对轴承振动信号进行分解,获取原始信号不同尺度下的内禀尺度分量(ISC);根据散布熵能有效区分不同故障信号的复杂度,计算ISC分量的散布熵,获得原始信号多个尺度下的复杂度特征作为轴承故障的特征参数;将该特征参数输入SVM分类器中判断轴承故障,实现故障诊断。轴承不同类型和不同程度故障诊断实验结果表明,所提方法能够提升轴承的故障诊断效果,相比其他一些方法,具有一定的优势。     

一种轴承故障诊断的时频综合分析法

针对旋转机械中最常见的滚动轴承问题,提出了一种基于小波包分析和Hilbert包络分析的时频综合分析法对轴承进行故障诊断。首先利用小波包分析将轴承故障信号分解到不同的节点,然后求出各个频带的能量谱,确定故障频带范围并对其进行信号重构,最后采用Hilbert变换对故障频带的重构信号进行包络谱分析,从而诊断出轴承故障。通过对轴承外圈故障信号的分析验证了该方法在轴承故障诊断中的有效性。     

基于经验模式分解和谱峭度的滚动轴承故障诊断

滚动轴承的振动信号是强背景噪声下的非平稳非线性信号,其特征提取是滚动轴承故障诊断的难点。为了提高滚动轴承的故障诊断效果,提出了基于经验模式分解(Empirical Mode Decomposi-tion,EMD)和谱峭度(Spectrum Kurtosis,SK)的滚动轴承故障诊断方法。首先利用EMD方法对轴承故障信号进行分解,剔除趋势项,利用归一化白噪声分量的统计特性来滤除信号中的噪声分量,然后利用谱峭度方法估计带通滤波器的中心频率和带宽,最后对剩余的信号执行带通滤波和包络解调进行故障诊断。对滚动轴承故障诊断的结果表明,本文提出的方法能够有效地提高轴承故障诊断的效果。     

基于路图拉普拉斯算子范数和马氏距离的滚动轴承故障诊断

为有效提取滚动轴承振动信号的故障特征,将图信号处理技术引入故障诊断领域。首先根据滚动轴承振动信号构造路图,获得路图信号;再将计算得到的路图拉普拉斯算子范数作为特征参数,构造不同故障的标准特征空间;最后通过测试样本与标准特征空间的马氏距离实现不同故障模式的识别。实测滚动轴承振动信号的分析结果表明,该方法能有效诊断轴承故障。     

基于EMD和峭度的Hilbert包络解调在滚动轴承故障诊断中的应用分析

针对直接运用快速傅里叶变换（FFT）无法有效提取具有非线性非平稳特性的滚动轴承振动信号故障特征频率的问题,提出了一种基于经验模式分解和峭度指标的Hilbert包络解调方法.首先对滚动轴承的振动信号进行了经验模式分解（EMD）,得到了包含轴承故障特征信息的各阶本征模态函数（IMF）,再计算各阶IMF的峭度值,选取了峭度值较大的几阶IMF分量重构信号,并对重构信号进行了Hilbert包络解调分析,从而获得了滚动轴承的准确故障特征信息.分别对仿真模拟信号和实际滚动轴承发生内圈故障的振动信号进行了分析,清晰地得到了故障特征频率.研究结果表明,利用融合EMD、峭度系数和Hilbert包络解调的诊断方法能够快速、准确地提取滚动轴承的故障特征频率,从而可以对滚动轴承进行有效地故障诊断.     

基于谱峭度和AR模型的滚动轴承故障诊断

提出基于自回归(Autoregressive,简称AR)预测滤波的谱峭度分析方法,将其应用于滚动轴承的早期故障诊断。通过结合AR预测滤波器提取轴承故障信号共振衰减成分的特性,利用谱峭度方法对AR预测滤波器滤波后的信号进行处理,实现了滚动轴承早期微弱故障的识别。通过滚动轴承的疲劳全寿命加速实验获取滚动轴承的自然故障信号,克服了传统轴承故障诊断人工加工故障的不足。通过试验数据的分析表明,基于AR预测滤波的谱峭度方法不仅能够消除干扰成分提取故障特征,还能增加谱峭度方法的稳定性。     

滚动轴承疲劳故障在线诊断的研究

通过对滚动轴承振动信号的在线监测提取出对疲劳故障敏感的参数：峭度、功率谱故障频带能量值、小波包故障频带能量值．选择足够的具有代表性的样本数据训练神经网络,用训练好的神经网络进行在线诊断,可以得出轴承发生疲劳故障的程度,再经过共振解调法诊断出轴承具体损伤的元件,实验表明本方法对滚动轴承的疲劳故障能正确诊断。该监测和诊断方法对其他设备的监测和诊断也有重要的意义。     

路图傅里叶变换及其在滚动轴承故障诊断中的应用

图信号处理(Graph signal processing, GSP)是由谱图理论发展起来的新研究领域。图傅里叶变换(Graph Fourier transformation, GFT)是图信号关于图拉普拉斯矩阵特征函数的展开,也是GSP的基础。对路图的GFT进行分析,发现GFT得到的特征值谱与经典的傅里叶变换(Fourier transformation, FT)频谱有一一对应关系,同时,特征值谱的幅值与特征矢量也有对应关系。将GFT引入滚动轴承故障诊断,提出基于GFT特征提取和K-均值聚类的滚动轴承故障诊断方法。该方法先用GFT将滚动轴承的路图信号变换到特征值谱域;再计算特征值谱的统计量作为故障特征;最后运用K-均值聚类分类器识别滚动轴承的故障类型。对实际轴承振动信号的分析结果表明,基于GFT和K-均值聚类的故障诊断方法能准确有效地识别滚动轴承故障。     

基于ICA和小波变换的滚动轴承故障诊断方法研究

提出了结合独立分量分析(ICA)和小波变换进行滚动轴承故障诊断的方法。在设计的系统平台上,首先对冲击脉冲信号进行预处理,使信号较好地满足独立分量分析的前提条件。然后,应用独立分量快速算法分离故障轴承的冲击脉冲信号,通过小波快速算法完成信号重构,实现滚动轴承故障的识别。实验结果表明,利用独立分量分析方法提取的故障状态特征向量与小波快速算法相结合可以有效、准确地识别滚动轴承的故障信号。     

基于ART1网络及参数编码的齿轮故障诊断方法

通过添加一层网络,对齿轮工作过程中的多个特征参数进行采样值的编码,使故障的特征信号转化为ART1网络可以处理的二值输入,解决了ART1网络不能处理连续信号的局限,使ART1网络能够在齿轮的故障诊断上有了进一步的应用。克服了以往诊断手段在识别有相似特征参数的不同故障上的不足。     

Hilbert-Huang变换在滚动轴承故障诊断中的应用

提出了一种新的滚动轴承故障诊断方法——基于小波系数包络信号的局部Hilbert边际谱方法，在Hilbert—Huang变换的基础上介绍了局部Hilbert谱和局部Hilbert边际谱，并将它应用于滚动轴承的故障诊断中。用小波基将滚动轴承故障振动信号分解，对高频段的小波系数用Hilbert进行包络分析得到包络信号，再对包络信号进行Hilbert—Huang变换求出局部Hilbert边际谱，从局部Hilbert边际谱中就可以判断滚动轴承的故障部位和类型。通过对滚动轴承具有外圈缺陷、内圈缺陷的情况下的振动信号的分析，说明该方法比传统的包络分析方法更能有效地提取滚动轴承故障特征。     

基于改进最大相关峭度解卷积的滚动轴承复合故障诊断

强背景噪声环境下,多故障特征的准确分离是滚动轴承复合故障诊断的关键与难点。针对此问题,提出了一种改进最大相关峭度解卷积的滚动轴承复合故障诊断方法。该方法基于故障信号的特点,利用最大相关峭度解卷积实现信号中的多故障特征分离,借助改进的粒子群算法对参数进行优化选取;利用互相关谱进一步突出信号中的故障特征,提高信噪比。仿真信号和实测滚动轴承内、外圈复合故障信号的分析表明,所提方法能够准确提取出滚动轴承复合故障特征,借助互相关谱的噪声抑制能力,能实现比单一MCKD方法更为有效的故障特征提取。     

Wheel-bearing fault diagnosis of trains using empirical wavelet transform

Rolling bearings are used widely as wheel bearing in trains. Fault detection of the wheel-bearing is of great significance to maintain the safety and comfort of train. Vibration signal analysis is the most popular technique that is used for rolling element bearing monitoring, however, the application of vibration signal analysis for wheel bearings is quite limited in practice. In this paper, a novel method called empirical wavelet transform (EWT) is used for the vibration signal analysis and fault diagnosis of wheel-bearing. The EWT method combines the classic wavelet with the empirical mode decomposition, which is suitable for the non-stationary vibration signals. The effectiveness of the method is validated using both simulated signals and the real wheel-bearing vibration signals. The results show that the EWT provides a good performance in the detection of outer race fault, roller fault, and the compound fault of outer race and roller.