基于RSSD和小波变换的滚动轴承故障诊断

滚动轴承故障被视作瞬态冲击成分,在信号共振稀疏分解中一般被分解到的低共振分量当中。由于噪声影响,低共振分量的希尔伯特解调包络谱中依然存在大量的干扰频率,使得故障特征提取有时不明显,或不易观察,因此本文提出了一种基于信号共振稀疏分解(RSSD)与小波变换相结合的故障诊断方法。在滚动轴承早期微弱故障的诊断中,采用小波分析技术对隐藏于低共振分量的故障特征进行提取,可以更加有效地凸显故障特征;通过对滚动轴承内圈和外圈单一故障振动信号的分析应用,成功提取了故障特征,验证了这一方法在滚动轴承早期故障诊断应用的有效性。     

AE技术对滚动轴承故障诊断的研究

设计组成了以计算机为中心的声发射信号提取与分析系统，采用高频声发射信号的共振解调法，既能判断轴承有无故障，又能确定故障发生的部位．实验表明，周AE共振解调法可以检测低速及普通转速下滚动轴承的故障，且有早期预测故障的特点，对实际设备诊断与维修有一定的指导意义．     

基于最小熵解卷积的带式输送机传动滚筒轴承故障诊断

带式输送机传动滚筒轴承发生故障时,特别是早期故障,其振动信号中隐含的脉冲故障信息很微弱,且常被淹没在强烈的噪音中,直接做频谱分析或包络分析,很难提取其故障特征。最小熵解卷积(Minimum Entropy Deconvolution,MED)通过最优滤波器对轴承微弱故障信号进行最优滤波,提高了信号的信噪比,然后对滤波后的信号进行包络解调分析,能够提取出信号中隐含的故障特征。将该方法应用于带式输送机传动滚筒中的滚动轴承故障诊断,成功提取出了轴承内圈的早期微弱点蚀故障特征。对FIR滤波器阶数L的选择进行了分析,以确保最优的MED解卷积效果。仿真与应用验证了最小熵解卷积方法在滚动轴承故障诊断的有效性和优点。     

基于显式动力学及细化谱的滚动轴承故障诊断方法

为了探究滚动轴承早期故障动态演化规律,建立了滚动轴承典型故障三维有限元动力学模型.该模型以显式算法为基础,采用单点积分方式,在充分考虑轴承转速、负载、接触及摩擦的条件下,对滚动轴承内、外圈等典型故障进行了动力学分析.提取基于有限元动力学仿真的故障轴承加速度信号,采用希尔伯特包络解调并结合细化谱分析方法,提取故障轴承信号特征.分析结果表明:故障轴承条件下,轴承不同位置节点的振动响应均能体现故障特征;加速度响应信号在经过细化谱分析后能找到相应故障的特征频率,实现轴承典型故障的有效识别,为进一步探究轴承故障传递路径特性提供了可行的方法.     

多小波自适应阈值降噪在故障诊断中的应用

为了提取淹没在强背景噪声下的微弱故障信息,引入多小波自适应阈值降噪方法实现滚动轴承的信号去噪,并结合包络解调提取故障特征.多小波具有多个尺度函数和小波函数,具备单小波无法同时满足的对称性、正交性、紧支性和高阶消失矩等优良特性,可匹配信号中的不同特征信息.基于轴承外圈点蚀故障的仿真信号,分别利用GHM多小波和Db2小波对其进行降噪处理.通过信噪比的定量分析表明,相比单小波而言,多小波的降噪优势明显.针对滚动轴承的微点蚀实验信号和现场实采集的工程数据,多小波自适应阈值技术比单小波方法具有更好的降噪效果,且更易于提取出滚动轴承的早期故障信息.     

改进型ESMD在齿轮箱轴承故障诊断中的应用

针对如何有效提取齿轮箱滚动轴承故障信息,提出了一种改进型极值点对称模态分解(IESMD)自适应消噪与共振解调技术(DRT)相结合的诊断方法.该方法首先利用IESMD对原始滚动轴承信号进行自适应分解成多个IM F分量;接着通过互相关系数方法对信号进行重构以达到消噪的目的;然后对重构信号进行谱峭度分析,通过冲击成分所在频带...     

第二代小波分析在轴承故障诊断中的应用

针对传统小波分析在轴承冲击故障特征提取中的不足,引入第二代小波分析用于滚动轴承的故障诊断.基于插值细分原理,构造了预测算子和更新算子,并针对边界计算中出现的信号突变问题,采用一阶平滑边界延拓技术,解决了重构后信号的平滑问题.基于第二代小波分析的降噪方法,成功滤除噪声信号并保留故障的冲击特征,效果明显优于传统小波降噪技术.同时,将第二代小波变换与相关分析、解调分析等方法相结合,实现了轴承早期故障特征的有效提取.     

基于形态梯度算子的滚动轴承故障特征提取

滚动轴承故障信号是一种典型的脉冲调制信号,从含有噪声的振动信号中有效地提取出冲击脉冲信号是振动轴承故障诊断的关键.提出了采用形态梯度算子提取滚动轴承冲击脉冲信号的方法,并与常用的包络解调分析和形态闭算子进行了比较分析.仿真信号和实测轴承故障信号的分析结果表明:形态梯度解调算子具有更强的噪声抑制和脉冲提取能力,并且计算简...     

一种叶片裂纹检测的稀疏共振解调算法

针对强相干噪声干扰下叶片振动信号中裂纹故障微弱特征的提取问题,提出了一种基于稀疏共振解调的诊断方法。首先,利用从中心集化多分辨分析处理机组上取得的原始振动信号进行子空间重构;其次, 对小波子空间信号进行希尔伯特包络解调,选取故障特征频率及其倍频成分能量占优的子空间;再次, 根据周期性故障稀疏模型,采用梳形滤波器分离故障特征频率及其倍频成分,构造故障分量参考信号;最后,结合故障参考信号对子空间重构信号进行小波降噪, 从而提取与叶片裂纹相关的微弱特征。在出现叶片裂纹故障的发电机组增压风机故障诊断案例分析中,仅采用多尺度分解无法在时域上得到周期性冲击故障特征。而采用所提出的基于稀疏共振解调方法进行信号处理后,强相干噪声得到了有效抑制, 从而突出了故障特征。     

基于EMD解调方法的齿轮早期故障诊断

为了提取早期数据的故障信息,对大型机电设备进行预知的故障诊断,针对某高线轧机近期发生的一次辊箱齿轮打齿故障,采用基于经验模式分解(empirical mode decomposition,简称EMD)技术和Hilbert包络解调分析相结合的方法,获得了早期裂纹故障信息被清晰提取的结果.对机械早期故障振动信号的分析结果表明,基于EMD的分解技术加包络解调法能有效地提取机械故障振动信号的特征,利于提早发现故障隐患.     

棒线材轧机齿轮箱故障诊断技术

为了提高棒线材轧机齿轮箱故障诊断的准确率,采用共振解调技术对"矩阵判别筛选法"和"双特征分析法"机械故障诊断方法进行了整合,在分析大量实验、实测数据以及所发现的21次故障隐患的基础上,归纳出棒线材厂轧机齿轮箱故障诊断的基本规则,并应用于现场实际诊断.     

频带多尺度复合模糊熵及其在轴承故障诊断中的应用

旋转机械设备发生滚动轴承故障的早期,受环境噪声影响,故障特征轻微.为了有效提取滚动轴承的故障信号冲击特征,以时频分析为基础,结合信息熵理论,提出一种频带多尺度复合模糊熵的故障诊断方法.与模糊熵相比,基于方差的频带多尺度复合模糊熵可以定量地表征非平稳信号的数据信息,抗干扰性强,更好地反映出不同频带分量在时间轴上的变化特性.引入自适应带通滤波器,成功实现对微弱故障的特征提取和故障识别.仿真分析和实验结果表明,提出的方法较传统滤波方法在降噪抑制方面效果更好,能够快速识别滚动轴承的冲击特征.     

深度神经网络在滚动轴承故障诊断中的应用

为了对滚动轴承发生的故障类型进行诊断,从而提升设备的安全性,提出了一种基于深度残差神经网络的智能故障诊断方法,并使用多传感器融合技术对深度残差神经网络进行了改进,使得诊断模型的识别精度和鲁棒性得到进一步提高.首先,通过多传感器技术来获取丰富的设备运行状态信息,然后利用时频分析方法短时傅里叶变换提取原始振动信号的初级特征信息,最后利用深度残差网络的强大学习能力,进一步提取初级特征信息中的高级特征信息,并识别设备的故障类型,从而实现滚动轴承的故障诊断.为了验证所提出方法的有效性,使用滚动轴承实验数据对方法进行了测试,同时与基于深度卷积神经网络和单传感器故障诊断模型进行对比,研究结果表明,提出的智能方法不仅能对故障进行准确识别,而且具有相当良好的泛化能力和抗噪能力,其故障精度达到了100%,在单传感器或多传感器受到强噪声干扰时,分别实现诊断精度至少为93.78%和82.54%.     

早期故障信号基于调制随机共振的核主元检测

针对淹没在强噪声中具有高频多周期成分的早期故障信号,提出了并联调制随机共振与核主元分析系统.将信号的特征频率通过调制共振系统进行增强,并将功率谱组成多元统计向量,通过非线性映射,在高维空间进行特征提取,利用T2统计量和F分布的控制限进行检测.利用仿真的轴承转子振动信号与滚动轴承冲击信号进行了验证,实验表明系统能够及时地对早期故障进行预警.     

基于PCA-SVDD的滚动轴承性能退化评估

针对滚动轴承早期微弱故障难以及时发现的问题,提出一种基于主成分分析(PCA)和支持向量数据描述(SVDD)的滚动轴承性能退化评估模型. 使用主成分分析法对滚动轴承振动信号时域和频域的特征指标进行加权融合,构建一个可以有效全面描述滚动轴承运行状况的综合特征指标,将正常状态样本的综合特征指标输入SVDD模型完成评估模型的构建,通过设置健康报警阈值判定轻微故障出现时间,并采用滚动轴承全寿命试验数据进行验证. 结果表明,与以峭度指标、均方根值作为SVDD模型的特征指标输入相比,该评估模型可以更早检测到滚动轴承早期微弱故障的发生,也能更准确地描述滚动轴承整体退化程度.     

EEMD-PE与M-RVM相结合的轴承故障诊断方法

滚动轴承振动信号中包含了大量轴承运行状态信息,但是由于振动信号具有非线性和非平稳性的特点,难以充分提取振动信号中的故障特征,导致现有基于模式识别的轴承故障诊断方法的故障识别准确率较低.为了提高滚动轴承故障识别的准确率,提出了一种基于集合经验模态分解-排列熵(EEMD-PE)特征提取与多分类相关向量机(M-RVM)相结合的轴承故障诊断方法.首先,该方法利用EEMD对非线性和非平稳信号的自适应分解能力,将轴承故障信号分解为一组包含故障特征的本征模态函数(IMFs).然后,利用排列熵提取由EEMD分解得到的IMFs中的故障特征,并组成特征向量.最后,采用EEMD-PE对不同故障状态下的训练样本集进行特征提取,组成特征向量集对M-RVM分类器进行建模,以概率输出的形式实现对滚动轴承的故障诊断.实验结果表明:EEMD-PE特征提取方法能够对滚动轴承振动信号的故障特征进行有效提取,M-RVM能够对故障滚动轴承振动信号包含的故障特征进行识别.与现有轴承故障诊断方法相比较,所提出的方法能够提高故障识别准确率,达到99.58%.     

经验模态分解和神经网络在滚动轴承故障诊断中应用研究

针对滚动轴承故障振动信号的非平稳特征,提出了一种基于经验模态分解的滚动轴承故障诊断方法,对采集的信号范围进行了筛选。利用经验模态分解将振动信号分解为多个平稳的固有模态函数。选取包含主要故障信息的IMF分量分析其时域和频域特征。将时域信号特征量和频谱图峰值对应的频率归一化处理,输入Elman神经网络进行工作状态的自动判断。     

基于自适应滤波的滚动轴承故障诊断研究

针对固有频率未知的滚动轴承故障诊断问题，提出了一种基于经验模态分解的自适应滤波方法。讨论了经验模态分解方法及其在获取固有模态函数过程中的自适应滤波特性。通过对滚动轴承故障振动信号进行经验模态分解得到固有模态函数，运用希尔伯特变换解调固有模态函数得到包络幅频图，获取滚动轴承故障特征频率，进而确定滚动轴承的故障位置。应用该方法对仿真和实际数据进行了分析，并与冲击脉冲法作了比较。结果表明，基于经验模态分解自适应滤波的滚动轴承振动信号解调方法能够更有效地突出故障特征频率成分，避免误诊断。     

基于小波消噪技术的轧机轴承早期故障诊断

由于背景噪声的影响,滚动轴承的冲击故障只有发展到一定程度后,才会在频域中体现明显的倍频特征．因此,直接采用频谱分析无法实现早期故障的特征提取．利用小波变换的“带通滤波”特性,可以将信号按照特定的频段进行分解,分解信号的单支重构可以将噪声与可用信号进行成功分离;采用预先设定的阈值对高频分解系数处理后进行全局重构同样可以达到消噪的目的．针对现场采集的轧机轴承振动信号,采用多种方式消嗓后的信号处理结果表明,含有故障特征的低频信息被成功提取,从消噪信号的频谱图中可以及早辨识故障轴承的特征频率,实现早期故障的精确定位．     

滚动轴承故障振动检测方法

滚动轴承最常见的故障是磨损,磨损类故障的最大特点是无明显的冲击脉冲信号.滚动轴承故障振动诊断方法主要有特征参数法、频谱分析法和包络法.分别就振动诊断方法中的各类诊断技术及其特点进行分析.