小波分析与铁谱技术在滚动轴承状态监测中的综合应用

文中分析了铁谱技术在滚动轴承状态监测中存在的不足,指出振动监测技术更加适合于滚动轴承的状态监测。通过分析用于滚动轴承状态监测的共振解调技术,指出滚动轴承不同元件的故障特征频率不同,用共振解调技术对滚动轴承进行状态监测时就需要具有不同中心频率的带通滤波器,使得检测线路及设备过于复杂。而小波分析技术仅通过采用不同的尺度因子,即可实现具有不同中心频率和带宽的带通滤波器,对振动信号在不同的频率范围内进行分析,刚好可以弥补上述方法的不足。文中给出了用小波分析技术及铁谱技术对滚动轴承状态监测一个例子。     

基于小波自适应包络解调技术的滚动轴承故障识别研究

针对传统的包络解调技术在实际使用过程中存在必须人为确定高频共振频率和带通滤波器的中心频率缺点,提出了小波自适应包络解调技术。该方法通过最小Shannon熵原理自适应确定小波函数的中心频率和带宽,求得在此小波变换下的系数,运用希尔伯特变换得到解析信号,最后计算包络和包络谱来识别故障特征频率,实验结果表明,提出的方法能准确有效地识别出滚动轴承外圈、内圈及滚动体的单点类故障。     

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。     

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。     

煤矿通风机轴承振动故障诊断技术的研究及应用

介绍了基于共振解调技术的滚动轴承故障诊断原理及方法,并研究了煤矿通风机典型故障的轴承特性振动频率。通过采集振动信号和频谱分析,有效、可靠地诊断出某矿通风机轴承的故障、类型和部位,及早发现了故障,避免了事故进一步恶化的危险。案例分析证明了共振解调技术在滚动轴承故障诊断中的可行性。     

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。     

基于复小波多尺度包络谱的滚动轴承故障诊断研究

提出一种新的滚动轴承故障信号处理方法—复小波多尺度包络谱,通过分析连续小波变换后各尺度信号的包络谱来识别滚动轴承缺陷频率,以此来诊断滚动轴承的外圈、内圈和滚动体故障,该方法解决了传统包络解调方法在操作中需要确定滤波器中心频率和带宽的难题,实验证明了该方法的有效性。     

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。     

改进梳状包络检波方法在滚动轴承故障诊断中的应用

针对基于复Morlet小波和Harmonic小波函数的带通滤波器的不足,提出一种在频域具有几乎"盒形"特性、时域又能迅速衰减的改进带通滤波器。为了解决滚动轴承的损伤类故障诊断问题,提出基于该滤波器的梳状滤波与包络解调方法。仿真实验表明:该方法可在故障调制频率及其谐波频率上进行窄带滤波、抑制带外噪声,轴承故障特征频率的包络谱谱峰清晰可见。     

基于广义谐波小波的低速重载轴承故障诊断

广义谐波小波可任意选取频带,是理想的带通滤波器。将广义谐波小波结合共振解调技术,可较好地提取轴承故障激发的共振信息。应用该方法,对某转炉耳轴轴承进行故障诊断,诊断结果与实际情况相符。     

基于FA-SR与LMD的滚动轴承故障检测

由于噪声的严重影响,滚动轴承故障特征的提取颇为困难。针对该问题提出了基于改进的萤火虫算法(FA)优化随机共振(SR)与局部均值分解(LMD)结合的方法。首先利用优化后的SR系统使信号达到最优共振,再经过LMD将信号分解成多个乘积函数(PF),以信息熵、相关系数为标准选取合适的PF分量重构信号,对重构后的信号进行快速峭度图(FK)分析,由所得参数设计带通滤波器,最后用Hilbert包络解调滤波后的信号即可得到故障特征。通过对轴承实验数据的分析表明,该方法能可靠地检测出轴承故障特征。     

滚动轴承的故障特征提取技术与方法研究

基于小波分析获取轴承故障频率,并以该频率为中心点向前2.5 Hz和向后2.5 Hz的频带变化作为滚动轴承的特征值。通过归一化处理,将轴承内圈、外圈和滚动体的故障频带的能量作为故障特征参量,建立起故障频带能量与滚动轴承状态的映射关系,进而应用神经网络进行故障诊断,有效提高了轴承故障诊断的精确度     

一种用于低速重载轴承故障诊断的共振解调法

针对低速重载轴承特点 ,提出了适合于低速重载轴承故障诊断的共振解调方法。通过自制的低频加速度传感器拾取了斗轮式堆取料机回转支承滚动轴承的振动信号 ,利用此方法进行了故障诊断 ,诊断结果可靠     

基于小波Hilbert包络分析与M-距离函数判别的滚动轴承故障诊断

振动信号是反映滚动轴承故障的显著信号之一。将测得的振动信号进行小波分析变换到时频域,对其高频成分加以提取并进行Hilbert包络功率谱分析,以各频段的能量和为特征量,建立M-距离判别函数来识别滚动轴承故障类型。通过实验分析结果表明该方法取得了较好地实验效果。