循环周期图在滚动轴承故障诊断中的应用

在旋转机械状态监测和故障诊断领域中 ,循环平稳信号分析方法正在成为一种重要的处理工具。本文在介绍了二阶循环平稳理论的基础上 ,分析了循环周期图的两种方法 ,并将时间平滑循环周期图法应用到实测滚动轴承振动信号的分析与诊断之中。通过与经典的功率谱分析方法相比较 ,证明循环周期图能够快速有效地识别出滚动轴承的故障 ,并指出其在滚动轴承故障特征提取方面具有很大的应用价值     

基于布谷鸟搜索算法和最大二阶循环平稳盲解卷积的滚动轴承故障诊断方法

针对最大二阶循环平稳盲解卷积(Maximum second order cyclostationary blind deconvolution,CYCBD)的轴承故障诊断效果取决于选取的故障特征频率的精度以及滤波器的长度的问题,提出了用布谷鸟搜索算法(Cuckoo search algorithm,CSA)优化CYCBD,并以改进的最大谐波显著性指标(Improved maximum harmonic significance index,IHSI)为优化依据的诊断方法.该方法首先要预估故障特征频率以及滤波器长度的搜索范围,然后利用CSA比较不同故障特征频率以及滤波器长度下解卷积信号的IHSI值,并选取最大IHSI值对应的故障特征频率和滤波器长度作为CYCBD的输入参数,最后对解卷积后的信号进行平方包络来提取故障特征.仿真和实验结果表明,CSA能够高效地寻找出精确的故障特征频率以及合适的滤波器长度,从而确保CYCBD的解卷积效果,而CYCBD与最小熵解卷积(Minimum entropy deconvolution,MED)、最大相关峭度解卷积(Maximum correlation kurtosis deconvolution,MCKD)的比较显示,CYCBD拥有更强的故障特征提取能力.     

滚动轴承的振动监测与故障诊断系统

论述滚动轴承的振动监测与故障诊断的原理、方法和系统。采用振动监测系统对滚动轴承进行巡回在线监测 ,发现故障后发出声光警告 ,然后自动转入诊断模块 ,用共振解调法进一步判断故障发生部位及其趋势等。附图 4幅 ,参考文献 3篇。     

基于振动分析的滚动轴承故障诊断系统设计

滚动轴承故障诊断意义重大,振动分析是诊断滚动轴承故障最有效的手段。文中根据滚动轴承振动信号的特点,以包络检波技术为基础,利用LabVIEW设计出相应的滚动轴承故障诊断系统。提出带通滤波和包络谱细化这两个系统设计中的关键技术问题并给出了解决方法。试验结果证明:系统能够有效地诊断出轴承存在故障且能判定发生故障的元件。     

振动频谱分析在滚动轴承故障诊断中的应用

滚动轴承是转动设备中应用最为广泛的机械零件,是轴及其他旋转构件的重要支承,是最早采用专业化大批量生产的机械基础件之一,在日常的使用与维修中发现,轴承同时也是最容易产生故障的零件。根据不完全     

基于循环谱密度函数的滚动轴承故障诊断

采用时域平滑循环周期图法直接由信号计算循环谱密度切片,在分析常用的3种变换形式基础上,讨论了各自谱密度三维分布的共性、差异、适用范围。在滚动轴承5个故障特征频率理论计算值附近选择谱峰值最大的切片进行组合分析,通过比较切片谱峰值的大小来判断故障所在位置。对内圈故障、滚动体故障两组信号进行了频谱、包络谱、组合切片分析,结果表明,循环谱密度组合切片分析滚动轴承的故障更为直观。     

基于小波变换的滚动轴承故障诊断系统

在分析了滚动轴承振动与故障之间联系的基础上,提出了通过共振解调法和小波多尺度分析对轴承进行故障诊断的方法.采用小波变换能有效地对滚动轴承振动信号进行带通滤波,分离出高频固有信号,对其进行包络分析,以获得故障特征频率,诊断故障发生的部位.仿真实验证明,该方法具有令人满意的效果.     

滚动轴承的振动监测与故障诊断系统研究

论述了滚动轴承的振动监测与故障诊断的原理,方法和系统。为了简单 判别轴承有无故障,采用了振动监测系统对滚动轴承进行巡回在线监测,发现故障后发出声光警告,然后则自动转入诊断模块,用共振解调法进一步判断故障发生部位及其趋势等。     

循环双谱的简化及在滚动轴承故障诊断的应用

在滚动轴承的早期故障诊断过程中,由于故障信号冲击不明显淹没在背景噪声之中,仅仅通过低阶循环统计量无法提取故障特征,而高阶循环统计量对噪声的有良好的抑制能力,因此将循环双谱应用到滚动轴承故障特征提取上。但循环双谱的谱图为多维谱图表达不够直观,且其计算量大,故对循环双谱进行了简化研究,首先对循环双谱做一次水平切片,在此基础上再做二次峰值频率切片,然后用简化的循环双谱对滚动轴承故障做特征提取。仿真和实验结果证明了方法的有效性。     

滚动轴承故障诊断及经验总结

介绍了滚动轴承故障的基本形式、国内新近的监测方法及诊断原理,并针对滚动轴承故障进行了经验总结。     

分形维数及其在滚动轴承故障诊断中的应用

将分形维数用于刻划滚动轴承在不同故障状态下表现的非线性行为,进而对故障分类。试验结果表明,滚动轴承振动信号在不同故障状态下的分形维数是不同的,可以将分形维数作为识别滚动轴承故障的特征量。     

基于连续小波变换的信号检测技术与故障诊断

通过分析指出,连续小波变换具有很强的弱信号检测能力,非常适合故障诊断领域。从参数离散到参数优化系统研究了连续小波变换的工程应用方法,建立了“小波熵”的概念,并以此作为基小波参数的择优标准。论文最后把连续小波技术应用在滚动轴承滚道缺陷和齿轮裂纹的识别中,诊断效果十分理想。     

基于EMD与功率谱分析的滚动轴承故障诊断方法研究

针对西部油田大型设备故障信号的非线性、非平稳特征,提出一种基于经验模态分解方法EMD（empirical mode decomposition）和功率谱的分析方法。首先对滚动轴承振动信号进行经验模态分解,然后对分解后包含轴承故障特征信息的固有模态函数分量作功率谱分析,得到各分量的功率谱图,清晰直观显示出故障特征信号的功率谱,从混有背景信号和噪声的振动信号中提取轴承故障信息。由于EMD方法具有自适应特性,适宜于非线性、非平稳信号的分解,该方法应用于滚动轴承的故障振动信号分析中,结果表明,该方法能够突出滚动轴承振动信号的故障特征,从而提高滚动轴承故障诊断的准确性。     

EMD模糊聚类法及在滚动轴承故障诊断中的应用

轴承故障是导致旋转机械失效的重要原因,故障诊断对保障轴承正常运行至关重要。文中提出经验模态分解(empirical mode decomposition,EMD)和模糊聚类相结合的滚动轴承故障诊断方法,以经验模态分解所得内禀模态函数能量值作为特征向量建立模糊关系矩阵,基于欧氏距离建立模糊相似矩阵,基于传递闭包法建立模糊等价矩阵,利用λ截矩阵实现聚类分析与模式识别。实例验证该方法可对不同故障状态的滚动轴承准确分类,实现故障诊断,诊断过程简单、准确、有效,具有一定的实用价值。     

滚动轴承故障特征信息的自动提取方法研究

提出基于小波包分析和包络检测的滚动轴承故障特征信息的自动提取力法。根据滚动轴承的故障冲击能激起轴承座或其他机械零部件产生共振的特性，对轴承振动信号进行快速傅里叶变换FFT分析，在频谱图中自动识别高频共振频带。然后利用小波包分析可以在全频带内把信号分解到相邻的不同频带上的特性，对滚动轴承的振动信号进行小波包分解，自动提取共振频带上的信号并进行重构。最后，对重构后的信号进行包络检波，实现滚动轴承故障特征信息的自动提取。通过对实际滚动轴承振动信号的分析，发现这种方法能非常有效地检测和诊断滚动轴承的故障．     

基于奇异谱的降噪方法及其在故障诊断技术中的应用

提出一种将振动信号在相空间进行重构,并利用重构吸引子轨道矩阵的奇异谱的特性来提高信噪比的方法。该方法已应用于滚动轴承和齿轮箱的故障诊断中,试验表明该方法能够有效地降低噪声,提高信噪比,突出振动信号的故障特征,从而提高设备故障诊断的准确率。     

基于短时傅里叶变换和独立分量分析的滚动轴承包络分析

滚动轴承的早期故障信号能量小,频带分布广泛;而传统包络谱分析技术直接在强干扰影响下对滚动轴承的故障特征提取经常失效.提出一种基于短时傅里叶变换(short time Fourier transform,STFT)的能量谱和独立分量分析( independent component analysis,ICA)的抗干扰滚动轴承包络分析新方法.该方法首先对获取的滚动轴承振动信号进行STFT能量谱分析,获取信号采样频带下的能量分布,采用带通滤波器获得高频带能量信号,并提取该包络波形,再通过ICA实现包络波形按源分离去噪,最后通过比较各独立分量的包络频谱与滚动轴承理论计算故障特征频率的匹配性,实现滚动轴承故障的精确诊断.仿真数据和试验验证该方法的可行性.     

阶次包络谱在轴承故障诊断中的应用

旋转机械的升降速过程包含丰富的状态信息,因而旋转机械的升降速过程对于旋转机械的故障诊断具有独特的价值.将常规的阶次分析技术与包络谱相结合,提出基于阶次包络谱的齿轮箱故障诊断方法.首先对齿轮箱升降速瞬态信号进行时域采样,再对时域信号实行等角度重采样,转化为角域平稳信号,最后对角域重采样信号进行包络谱分析,就可提取轴承的故障特征.通过对轴承内圈、外圈故障实验信号的分析,表明该方法能有效诊断轴承的故障.     

冲击脉冲法评价滚动轴承故障的系数自修正方法

对机械工业中常用的评价滚动轴承故障的冲击脉冲法,提出了一种基于神经网络的故障评价系数自修正策略。这一修正系数模块已用于工业现场滚动轴承状态在线监测系统中,经长期运行的实践证明,自修正系数模块的引入极大地提高了滚动轴承运行状态判断的准确性。