基于LabVIEW的滚动轴承故障诊断方法

滚动轴承经常工作于多工况、变工况条件下,加之各振源间相互耦合、非线性强等特点,极易诱发系统中轴承零部件的故障.因此,设计滚动轴承故障诊断软件是十分必要的.本文基于LabVIEW设计了滚动轴承的故障诊断界面,主要分为数据采集界面、时域界面、频域界面、智能诊断界面,能够实现对滚动轴承的离线诊断和在线诊断.     

基于VMD-IMDE-PNN的滚动轴承故障诊断方法

为了提高滚动轴承故障诊断的准确性,提出一种变分模态分解( Variational Mode Decomposition,VMD )、改进粗粒化多尺度散布熵( Improved Coarse-grained Multi-scale Dispersion Entropy,IMDE )和概率神经网络(Probabilistic Neural Network,PNN )相结合的滚动轴承故障诊断方法。首先对振动信号进行VMD处理,根据互相关系数准则筛选最佳模态分量,突显振动信号的故障特性;然后针对多尺度散布熵（Multi-scale Dispersion Entropy,MDE）不稳定的缺点,对MDE的粗粒化过程进行改进,提出IMDE的非线性分析方法。模拟信号分析结果表明,相比于MDE方法,IMDE方法降低了熵值波动,提高了熵值稳定性。将两种方法运用于实际滚动轴承实验数据,发现相比于MDE,IMDE熵值曲线更平滑稳定,不同滚动轴承状态下的IMDE熵值曲线区分更加明显。最后采用PNN对提取的特征进行识别,与MPE-PNN,MDE-PNN以及VMD-MDE-PNN方法相比,所提的MD-IMDE-PNN方法能精确地识别滚动轴承的故障类型,且识别率更高。     

多模型融合下的滚动轴承故障诊断方法

针对单一分类器对于轴承故障诊断精度低的问题,提出一种多模型融合的滚动轴承故障诊断方法。首先对于滚动轴承的原始振动信号采用WELCH功率谱算法进行预处理,然后从功率谱中提取相关特征参数构成输入样本,分别采用LDA、SVM、KNN以及PNN四种分类器作为基分类器,再结合集成学习算法构造Stacking 集成学习模型,实现对滚动轴承多种故障类型的预测分类。实验结果表明,相比较各个单一分类器,Stacking-SVM集成模型的诊断性能更优,诊断准确率为98 %。同时将该集成模型在不同工况下进行实验及抗噪实验,均能达到较高的诊断准确率。可见该集成模型的故障诊断性能稳定,具有一定的鲁棒性和泛化能力。     

滚动轴承故障诊断的实验研究

滚动轴承故障诊断的方法有多种,并且各有其适用场合。本文结合实验对滚动轴承三种典型故障（内圈裂纹、外圈裂纹、滚动体裂纹）的振动信号进行了研究分析,分别应用了功率谱分析和倒频谱分析技术。实验证明,在滚动轴承故障诊断中,倒频谱分析比功率谱分析更加切实可行,具有实用价值。本文还对三种故障轴承的噪声进行了比较,对滚动轴承故障诊断具有一定的参考意义。     

李雅普指数在轴承故障诊断中的应用研究

研究铁路货车轴承的非线性特性,针对轴承的不同状态,对测量的时间序列计算其最大李雅普诺夫指数,结果表明:不同故障状态下的最大李雅普诺夫指数不同,因此可以把最大李雅普诺夫指数作为判别轴承故障的特征量。     

同步压缩-交叉小波变换及滚动轴承故障特征增强

为了更有效地对轴承故障进行监测和诊断,提出了一种基于同步压缩-交叉小波变换的滚动轴承故障特征增强方法。该方法首先将信号分成长度相等的两路信号,然后分别进行同步压缩小波变换,并将得到的同步压缩小波系数作为交叉小波变换的输入,进而获得交叉小波尺度谱,实现轴承故障特征频率的增强。将该方法应用于滚动轴承的故障诊断,与连续小波变换、交叉小波变换和同步压缩小波变换方法相比,所提方法可有效提取轴承在时频域内的细节特征,使轴承特征频率在时频域上的可读性增强,进而实现轴承故障的精确可靠诊断。     

基于近场声全息的滚动轴承故障诊断

滚动轴承在工业生产中起着关键作用,对其进行故障诊断研究具有重要意义。目前轴承诊断主要以振动信号分析为基础,而获取振动信号受接触式测量限制,声学故障诊断（ABD）具有非接触式测量的优点,但传统基于单通道的ABD存在测点选择难与局部诊断的不足。联合近场声全息（NAH）和灰度—梯度共生矩阵（GLGCM）并应用于滚动轴承故障诊断,利用NAH重建各轴承运行状态下的声场,得到声源附近重建面处的声像图,再从声像图中提取GLGCM特征,建立声场特性与轴承运行状态的内在联系,结合支持向量机模式分类,实现轴承故障诊断,实验研究证实方法的可行性与有效性。     

基于复合多尺度模糊熵的滚动轴承故障诊断方法

为了精确地提取滚动轴承振动信号非线性故障特征,针对多尺度熵（Multi-scale entropy,MSE）中粗粒化方式的不足,提出一种新的衡量时间序列自相似性和复杂性的方法--复合多尺度模糊熵（Composite multi-scale Fuzzy entropy,CMFE）。与MSE相比,CMFE综合同一尺度下多个粗粒化序列的信息,随着尺度因子的增加,熵值变化更加稳定,一致性更好。在此基础上,结合Fisher得分特征选择和支持向量机模式分类,提出了一种新的滚动轴承智能故障诊断方法。将提出的方法应用于滚动轴承实验数据分析,通过对比结果验证了所提出方法的有效性和优越性。     

基于改进耦合增强随机共振的滚动轴承故障诊断

针对强背景噪声下经典随机共振方法对滚动轴承故障特征提取效果差的问题,提出了一种基于改进耦合增强随机共振的滚动轴承故障诊断方法。首先,利用一个定参双稳系统和一个变参双稳系统构成耦合随机共振系统,外部输入直接作用于定参双稳系统;然后,通过调节变参双稳系统参数和耦合系数实现耦合系统的随机共振控制,并借助遗传算法实现控制参数的自适应选取。实验和工程应用验证了所提方法的有效性和优越性。     

Rolling Bearing Fault Feature Extraction Based on Bacteria Foraging Optimization

Resonance demodulation technology has been widely applied in the fault diagnosis of rolling bearings because of the high sensitivity, the high reliability, and the effective identification of early damage. Its process includes collecting vibration signals, filtering, envelope demodulation analysis, and judge fault condition, while filtering as the key link directly affects the accuracy and efficiency of fault diagnosis based on resonance demodulation technology. So, there is an important problem in the resonance demodulation technology, which is how to select the optimal filter band rapidly to ensure the least amount of noise in the filter signal. To solve this problem, this paper applies bacteria foraging optimization algorithm (BFO) in the selection of the optimal filtering band. The kurtosis is used as evaluation function to judge the quality of the filter signals. Through the loop operation of three operators (migration, breeding, and chemotaxis), the algorithm converges to the global optimal solution quickly. In the last part of the paper, the feasibility and effectiveness of the application of BFO are tested by simulation signals and practical signals, and the relative merits of the application are concluded.     

基于IVMD和马田系统的滚动轴承故障检测方法

针对滚动轴承运转信号单一特征参数对早期故障的敏感性、可靠性问题,提出一种基于IVMD和马田系统的滚动轴承故障诊断方法。该方法首先根据谱相关系数确定VMD分解层数;其次,通过VMD方法对机械振动信号进行处理得到一系列有限带宽固有模态函数,并计算各模态函数的特征参数,在此基础上构建MTS系统的基准空间。引用信噪比的方法筛选有效特征变量,并重新构建MTS的基准空间。最后,计算待诊断信号到基准空间的马氏距离来检测轴承故障,建立滚动轴承早期故障的诊断控制指标。     

表面波纹度激励下的滚动轴承非线性接触噪声分析

滚动轴承的噪声对环境的影响一直是国内外工程界非常关注的问题。本文根据非线性力学和声辐射与传播理论,建立了滚动轴承在表面波纹度激励下的非线性接触噪声模型。对6202深沟球轴承进行了实例分析,研究了波纹度波数、初始幅值和最大幅值等参数变化对滚动轴承噪声声压级的影响。结果表明：波数与声压级存在着拟三角函数关系;声压级随着初始幅值的增加而变大;需要根据实际波数的情况采取不同的计算模型来确定最大幅值与声压级的关系。     

基于数据增强的滚动轴承智能故障诊断方法

目的 针对包装机械设备中滚动轴承应用场景多且有效故障数据难采集而导致的智能诊断方法诊断准确率较低的问题,提出一种基于数据增强的滚动轴承智能诊断方法.方法 首先根据轴承振动信号的故障特征,提出一种数据增强方法,有效扩充训练数据样本多样性.然后采用卷积神经网络对原始样本和增强样本进行故障诊断训练,从而大幅度提高诊断模型的诊断性能.为了验证所提方法的有效性,建立滚动轴承故障试验台并采集轴承故障数据.结果 实验结果表明,在标签训练样本不充足的情况下,提出的方法与不使用数据增强方法相比,模型在诊断准确率方面取得了较大的提高,能够准确地识别各类轴承故障.结论 该方法实现了准确地对稀缺标记样本下滚动轴承故障的诊断,为保证包装机械滚动轴承故障诊断的诊断精度提供了可靠的方法.     

基于经验模式分解的滚动轴承故障诊断方法

针对水泵电机轴承故障振动信号噪声大和非平稳性的特点,提出了基于经验模态分解的诊断方法;通过对原始信号进行经验模态分解,得到包含故障特征的固有模态分量,从而可以提取出故障频率.该方法应用于外圈、内圈和滚动体故障诊断,取得了很好效果.     

一种新的滚动轴承故障诊断方法的研究

本文在包络谱分析方法的基础上提出了优化包络谱分析的新概念,对其原理和方法进行了实验研究并编制了相应的计算机程序,最后以实例对此方法进行了验证和考核. 这个新的滚动轴承故障诊断方法比其它常用方法在分离和提取滚动轴承故障特征信息中更为有效,它不但能清楚地把轴承故障特征信息分离出来,而且信噪比很高,大大提高了故障诊断的准确程度.     

Weak Fault Diagnosis of Rolling Bearing Based on Improved Stochastic Resonance

Stochastic resonance can use noise to enhance weak signals, effectively reducing the effect of noise signals on feature extraction. In order to improve the early fault recognition rate of rolling bearings, and to overcome the shortcomings of lack of interaction in the selection of SR (Stochastic Resonance) method parameters and the lack of validation of the extracted features, an adaptive genetic random resonance early fault diagnosis method for rolling bearings was proposed. compared with the existing methods, the AGSR (Adaptive Genetic Stochastic Resonance) method uses genetic algorithms to optimize the system parameters, and further optimizes the parameters while considering the interaction between the parameters. This method can effectively extract the weak fault features of the bearing. In order to verify the effect of feature extraction, the feature signal extracted by AGSR method was input into the Fully connected neural network for fault diagnosis. the practicality of the algorithm is verified by simulation data and rolling bearing experimental data. the results show that the proposed method can effectively detect the early weak features of rolling bearings, and the fault diagnosis effect is better than the existing methods.     

基于VMD降噪和CNN的轴承故障诊断

针对轴承运行环境复杂且振动信号具有非稳定性,受噪声影响较大,难以提取有效故障特征并准确诊断问题,提出一种改进变分模态分解降噪和卷积神经网络的智能诊断方法。首先利用排列熵阈值法确定VMD分解层数,对分解出的本征模态分量按照峭度准则和互相关准则重构,然后将降噪后的信号作为特征向量输入到CNN模型中训练,利用训练后的模型实现未知故障的诊断。试验结果表明,提出的方法能快速的对轴承进行故障诊断,并具有较高的准确率。     

基于MDS和神经网络的滚动轴承故障诊断方法

针对滚动轴承的智能诊断问题,提出基于多维尺度分析(Multidimensional Scaling,简称MDS)和神经网络的滚动轴承故障诊断方法。该方法首先提取原始信号常用的时域统计指标,再将包含故障信息的统计指标进行MDS降维处理,减少后续模式识别难度,最后将降维后的统计指标作为神经网络的输入参数来判断滚动轴承的故障类型。对滚动轴承正常状态、滚动体故障、外圈故障和内圈故障四种模式下的振动信号进行分析,结果表明,运用MDS进行降维预处理的神经网络故障诊断方法比没有经过预处理的故障诊断方法有更高的故障识别效率,可以准确有效识别滚动轴承的故障类型。     

基于时间-小波能量谱熵的滚动轴承故障诊断研究

针对轴承振动信号中存在周期性冲击这一现象,提出了时间-小波能量谱熵的计算方法,用于滚动轴承的故障诊断。首先构造脉冲小波,采用连续小波变换的方法得到时间域内小波能量谱,再沿时间轴计算能量谱熵,定量描述振动信号沿时间的分布情况,不同故障下轴承的冲击振动随时间变化程度不同,其时间-小波能量谱熵值也就不同。将不同故障轴承信号的时间-小波能量谱熵作为向量特征输入建立支持向量机,实现了对轴承的工作状态和故障类型的判断。实验结果表明,时间-小波能量谱熵可以有效地对滚动轴承进行故障诊断。