混沌理论在滚动轴承故障诊断中的应用

混沌系统对初始条件和参数极度敏感,这一特点可以用于检测早期检测噪声背景下的滚动轴承故障信号。从几个方面综述了混沌理论在轴承故障诊断中的应用现状,即滚动轴承故障诊断技术的分类与特点,混沌理论在滚动轴承故障诊断中的应用基础,混沌振子系统在轴承故障诊断中的应用,混沌动力学分析在滚动轴承故障诊断中的应用。并通过分析总结,预测了混沌理论在轴承故障诊断中的下一步研究方向。     

连续小波变换在滚动轴承故障诊断中的应用

针对滚动轴承故障振动信号的特点，构造脉冲响应小波，采用连续小波变换的方法来提取滚动轴承故障振动信号的特征，在此基础上提出了两种滚动轴承故障诊断方法：尺度——小波能量谱比较法和时间——小波能量谱自相关分析法。通过对滚动轴承外圈和内圈故障振动信号的分析，说明两种方法不仅能检测到滚动轴承故障的存在，而且能有效识别滚动轴承的故障模式，从而为滚动轴承故障诊断提供了一种新途径。     

浅谈BP神经网络在滚动轴承故障诊断中的原理及应用

滚动轴承是动力设备的重要零部件之一,其故障具有类型多、特性多的特点。为提高滚动轴承故障诊断的效率和准确性,本文介绍了BP神经网络算法在滚动轴承故障诊断中的原理及有关应用,同时分别介绍了经过粒子群优化和Pearson相关性分析优化的改进BP神经网络在滚动轴承故障诊断中的应用。     

基于伪Wigner-Ville分布与小波变换的滚动轴承故障诊断

针对滚动轴承故障信号非平稳、非高斯的特点,提出了基于伪Wigner-Ville分布及小波变换的滚动轴承内、外圈故障诊断方法。在研究滚动轴承故障诊断机理,伪Wigner-Ville分布及小波变换理论的基础上,利用这两种方法对内圈、外圈故障的滚动轴承的振动信号进行了分析,提取了故障特征频率。结果表明,小波变换能够比伪Wigner-Ville分布更有效地提取轴承故障的特征信息,提高轴承故障诊断率。     

基于小波包和PSO-Elman神经网络的滚动轴承故障诊断

针对滚动轴承的故障诊断,分析滚动轴承故障机理及特点,提出基于小波包分析的滚动轴承振动信号的特征向量提取算法,并建立PSO-Elman神经网络进行故障诊断和识别。将滚动轴承故障振动信号进行小波包分解,构造频带能量谱作为特征向量,输入PSO-Elman神经网络对故障进行识别。试验结果表明,基于小波包分析和PSO-Elman神经网络相结合的方法可准确地实现滚动轴承的故障诊断。     

基于共振解调技术的滚动轴承故障自动诊断系统

介绍了基于共振解调技术的滚动轴承故障诊断原理、特点及实现方法 ,开发了可在线自动检测和诊断滚动轴承故障的软件系统     

基于虚拟仪器的滚动轴承故障诊断系统的设计

根据滚动轴承信号的特点,提出了一种基于小波包分解和共振解调技术相结合的滚动轴承故障诊断方法,并开发了基于虚拟仪器的故障诊断系统.首先采用小波包将信号进行分解,再利用共振解调技术分析小波包的高频段,以诊断轴承故障.然后运用LabVIEW图形化编程语言设计了相应的滚动轴承故障诊断程序,最后在ADBE-56-N4型交流电机上实测了6305型滚动轴承故障模拟信号,分析结果表明,该方法有效地提取了故障特征和诊断轴承故障,有很好的实用性和有效性.     

基于余弦调频小波变换的滚动轴承故障研究

针对滚动轴承故障振动信号的特点，构造余玄调频小波，采用连续小波变换的方法来提取滚动轴承故障振动信号的特征，在此基础上提出了一种滚动轴承故障诊断方法：时间一小波能量谱自相关分析法。通过对滚动轴承具有缺陷的情况下振动信号的分析，说明时间一小波能量谱自相关分析法不仅能检测到滚动轴承故障的存在，而且能有效地识别滚动轴承的故障模式。     

滚动轴承早期故障诊断技术

滚动轴承早期故障存在特征不明显、信号微弱、信噪比低、故障难以识别等特点。根据轴承振动机理和频率特性,从发展现状和常用方法 2个方面阐述了滚动轴承早期故障诊断的基本情况,并对基于量纲一化指标的滚动轴承早期故障诊断方法进行了详细论述。最后总结了滚动轴承早期故障诊断所面临的问题,并对其发展趋势进行了展望。     

基于Teager-Huang变换的滚动轴承故障诊断方法

针对滚动轴承故障振动信号的非平稳特征,介绍了一种基于Teager-Huang时频谱和边际谱的滚动轴承故障诊断方法。详细阐述了Teager-Huang时频谱和边际谱的计算方法及物理意义。给出了该故障诊断方法的步骤,并对仿真和实际轴承的滚动体故障、内圈故障和外圈故障信号进行了分析和故障诊断。结果表明,基于Teager-Huang变换的故障诊断方法具有计算速度快,估计准确稳定的特点,是准确判断滚动轴承故障状态的一种有效新方法。     

基于改进多尺度模糊熵的滚动轴承故障诊断方法

滚动轴承故障诊断的关键是敏感故障特征的提取。多尺度模糊熵(multi-scale fuzzy entropy,简称MFE)是一种衡量时间序列复杂性的有效分析方法,已经被用于滚动轴承振动信号故障特征提取。针对MFE算法中多尺度粗粒化过程存在的缺陷,笔者采用滑动均值的方式代替粗粒化过程,提出了改进的多尺度模糊熵算法,并通过仿真信号将其与MFE进行了对比分析。在此基础上,提出了一种基于改进多尺度模糊熵与支持向量机的滚动轴承故障诊断方法。最后,将所提故障诊断方法应用于的滚动轴承实验数据分析,并与基于MFE的故障诊断方法进行了对比,结果验证了所提方法的有效性和优越性。     

基于双谱分析的滚动轴承故障模式识别

当滚动轴承发生故障时,其产生的振动信号一般是包含较强噪声的非高斯和非线性信号。本文对高阶统计量方法用于滚动轴承故障特征提取进行了研究,提出了基于双谱估计的滚动轴承故障诊断方法。利用这种方法可以同时获得包含滚动轴承故障信号幅值和相位信息的双谱特征图谱。研究表明,双谱图谱可以有效地监测滚动轴承工作状态的模式,因而可以快速地识别滚动轴承不同的故障特征。     

基于平方包络谱相关峭度的最优共振解调诊断滚动轴承故障

利用峭度指标识别滚动轴承共振频带,结合包络分析解调故障特征,是滚动轴承故障诊断的常用方法。峭度指标虽然能够表征瞬态冲击特征的强弱,却无法利用瞬态冲击特征循环发生的特点,导致其难以区分脉冲噪声和循环瞬态冲击,无法准确识别共振频带,进而容易导致错误的故障诊断结果。受峭度和信号自相关的启发,重新定义相关峭度,提出平方包络谱相关峭度新指标;并结合Morlet小波滤波和粒子群优化算法,提出一种滚动轴承最优共振解调方法。通过与峭度、谱峭度等进行对比,仿真和试验分析结果表明平方包络谱相关峭度能够准确识别循环瞬态冲击;最优共振解调能够稳健确定共振频带的最优中心频率和带宽,准确解调诊断滚动轴承故障,验证了平方包络谱相关峭度在检测循环瞬态冲击和识别最优共振频带中的有效性和优越性。     

流形模糊C均值方法及其在滚动轴承性能退化评估中的应用

滚动轴承全寿命周期性能退化监测是设备主动维修技术重要的组成部分,对损伤状态进行有效评估可以实现设备接近零停机运行,发挥机器的最大生产力。为有效描绘滚动轴承性能退化趋势,提出一种基于流形学习的模糊C均值(Fuzzy C-means algorithm,FCM)方法。首先提取监测信号的时域、频域特征及小波包时频域特征组成高维特征集,然后按确定的本征维数提取高维特征集的低维流形特征,进而建立基于局部线性嵌入流行学习(Locally linear embedding,LLE)的模糊C均值模型评估轴承当前运行状态。通过IMS滚动轴承全寿命试验,验证了该方法能够有效描绘滚动轴承性能退化阶段,为预知维修提供了重要信息。     

A fault characteristics extraction method for rolling bearing with variable rotational speed using adaptive time-varying comb filtering and order tracking

The fault characteristics of rolling bearing with variable rotational speed are usually related to shafting speed and vary with time. Moreover, the rolling bearing fault characteristics are easily submerged by the noises. To address these issues, an adaptive time-varying comb filtering (ATVCF) method that combines the merits of comb filter and adaptive time-varying filtering (ATVF) is proposed and applied to extract the fault-related component from the envelope signal of rolling bearing. And on this basis, via the joint application of ATVCF and order tracking (OT), a fault characteristics extraction methodology for rolling bearing with variable rotational speed, namely ATVCF-OT, is developed. In the ATVCF-OT, the ATVCF method can adaptively extract time-varying harmonic components containing rolling bearing fault information from the rolling bearing fault vibration signal, and the OT analysis can effectively stabilize the time-varying rolling bearing fault features. Therefore, the ATVCF-OT methodology is particularly suitable for fault feature extraction of rolling bearing with variable rotational speed. Simulation and experimental results indicate that the ATVCF-OT method can effectively remove the fault-unrelated components and highlight the fault features of rolling bearing. The comparisons with the direct envelope order method and the ensemble empirical mode decomposition (EEMD)-based envelope order method demonstrate the advantages of the proposed ATVCF-OT method.

     

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。     

基于小波分析多尺度分解的轴承故障检测

归纳和总结了小波分析多尺度分解的滚动轴承故障检测方法的实施步骤,阐述了故障轴承振动与信号的关系以及离散小波算法的原理和实现过程,并以滚动轴承故障诊断为例,运用MATLAB小波分析工具箱将滚动轴承振动信号进行小波离散多尺度分解,然后在分解的结果中寻找滚动轴承的故障特征频率。结果表明,如果在故障检测过程中合理选择小波函数和各种参数,则小波分析多尺度分解具有很强的故障识别能力。     

基于广义S变换的齿轮箱轴承故障诊断方法

齿轮箱轴承故障冲击信号通常具有非平稳和非线性的特点,若在强背景信号与噪声中,更加难以识别和提取。鉴于广义S变换具有良好的自适应性和时频聚集性,提出了一种基于广义S变换的齿轮箱滚动轴承故障诊断方法。对广义S变换的时窗函数进行讨论,分析了不同参数对调节窗函数宽度的影响;讨论了不同程度的轴承故障在广义S变换时频谱图上的能量分布;通过仿真和实验验证了所提方法的可行性。结果表明,广义S变换方法能有效地反映不同轴承故障的特征频率,为齿轮箱的轴承故障诊断提供一种有效的方法。     

基于ITD-形态滤波和Teager能量谱的轴承故障诊断

针对强背景噪声下滚动轴承振动信号故障特征信息难以提取的问题,提出了结合固有时间尺度分解(ITD)-形态滤波和Teager能量谱的滚动轴承故障特征提取与诊断方法。首先对滚动轴承振动信号采用ITD方法分解,得到若干个固有旋转分量;考虑到噪声主要分布在高频段,取前2个高频的固有旋转分量进行形态滤波,并将滤波后的信号与剩余固有旋转分量重构;对重构信号计算Teager能量算子并绘制Teager能量谱,从Teager能量谱中可以识别出故障特征。将本方法应用于滚动轴承的内圈故障和外圈故障诊断,结果表明ITD-形态滤波可以有效去除振动信号中的背景噪声并保留冲击特征,Teager能量谱可以直观并准确显示出故障特征。     

一类滚动轴承振动信号特征提取与模式识别

复杂工况下滚动轴承振动信号通常表现出强烈的非平稳性,而一些典型的故障特征往往容易被其他成分所掩盖,这为故障特征提取带来了很大的困难。针对这一问题,首先,提出一种基于同步压缩小波变换的滚动轴承信号特征提取方法,对多种工况下的滚动轴承振动信号进行分析,提取出能够有效反映滚动轴承工况的信号特征空间;其次,采用非负矩阵分解对信号特征空间进行精简和优化,提炼出用于滚动轴承故障诊断和模式识别的特征参数;最后,采用支持向量机对多种工况的滚动轴承振动信号进行分类。研究结果表明,与传统的时域特征参数提取方法相比,所提出的方法具有更高的分类准确率。