滚动轴承故障特征的时间—小波能量谱提取方法

振动信号中的周期性冲击现象是诊断滚动轴承各元件故障的重要依据之一,针对滚动轴承故障特征,在小波变换理论基础上提出一种时间—小波能量谱信号处理方法,它能够有效地提取出振动信号中冲击成分的时域和频域特征。利用时间—小波能量谱方法分析正常、外圈故障、内圈故障、滚珠故障等四种状态下滚动轴承的振动信号,并与传统的包络解调分析方法进行对比分析。时间—小波能量谱不仅可以有效提取出冲击特征明显的滚动轴承外圈故障,还能提取出内圈、滚珠等信号特征微弱的滚动轴承故障,而包络解调分析方法只能提取出外圈故障特征而不能提取出滚珠故障、内圈故障特征。结果表明,时间—小波能量普比包络解调分析方法更能有效地提取出振动信号中的冲击信号成分。     

基于经验模态分解的滚动轴承故障诊断方法

提出了一种基于经验模态分解的滚动轴承故障诊断方法，并定义了能量熵的概念。从不同状态的滚动轴承振动信号的能量熵值中发现，当滚动轴承发生故障时，各频带的能量会发生变化。为了进一步对滚动轴承的状态和故障类型进行分类，再从若干个包含主要故障信息的IMF分量中提取能量特征参数作为神经网络的输入参数来识别滚动轴承的故障类型。对滚动轴承的正常状态、内圈故障和外圈故障振动信号的分析结果表明，以经验模态分解为预处理器提取各频带能量作为特征参数的神经网络诊断方法比以小波包分析为预处理器的神经网络诊断方法有更高的故障识别率，可以准确、有效地识别滚动轴承的工作状态和故障类别。     

基于k值优化VMD的滚动轴承故障诊断方法

针对旋转机械中滚动轴承早期信噪比较低的故障特征提取困难问题,提出了一种基于能量的变分模式分解(variational mode decomposition,简称VMD)模态数k优化选取方法,用以提取滚动轴承早期故障特征,同时避免了信号分解过分或不足。首先,对振动信号进行VMD预分解,分别在不同k值条件下计算分量信号能量与原始信号总能量;其次,根据基于能量的模态数k选取准则,确定最佳模态数值对信号进行VMD分解;最后,通过峭度准则选择分量进行信号重构,对其进行包络分析,提取故障特征频率。将该方法运用到实际故障信号中,有效提取出滚动轴承内圈微弱故障特征,实现了早期故障特征判别,具有一定的应用价值和实际意义。     

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。     

电机轴承松动的故障原因及应对措施

轴承配合松动是电机最常见的故障之一.电机轴承松动往往会造成剧烈振动,严重时会影响工艺参数的稳定和产品质量.松动本身并不是故障,但它能够放大故障.也就是说,当电机本身仅存在轻微的松动时,对机器不会产生太大的影响.但当电机存在少许不平衡或是轴弯曲等故障时,松动能使这些故障放大,影响设备稳定运行.电机轴承松动是指轴承在轴承座内的松动、轴套松动、轴承内圈在轴上转动等等,这种类型的松动相位通常是不固定的.其中,轴承在轴承座内的松动或与零部件配合处的松动,是最常见的松动,它有如下特征.1.频谱中出现大量的高次谐频,1X、2X……,10X,甚至20X     

基于LMD能量特征的滚动轴承故障诊断方法

针对滚动轴承故障振动信号的多载波多调制特性,提出一种基于局域均值分解(local mean decomposition,简称LMD)能量特征的特征向量提取方法,并与支持向量机相结合用于滚动轴承的故障诊断。首先,采用LMD方法将复杂调制振动信号分解为若干单分量信号乘积函数(production function,简称PF);然后,对反映信号主要特征的PF基于时间轴积分,得到各PF分量能量矩并构造特征向量;最后,将其输入多分类支持向量机中,用于区分滚动轴承的故障类型与故障程度。对滚动轴承内圈故障、外圈故障及滚动体故障振动信号的分析结果表明,该方法能有效提取滚动轴承各工作状态信号的故障特征,能准确识别故障类型,同时对故障程度的判断表现出较高的识别率。     

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。     

连续小波变换的滚动轴承故障诊断

提出了用连续小波变换与傅立叶变换相结合进行轴承故障识别的新方法。先通过Morlet连续小波变换对故障轴承信号进行不同尺度的分解,然后进行小波尺度一能量谱统计,再在有可能体现故障频率的尺度上对其获得的小波系数进行快速傅立叶变换来识别故障特征频率。对于非常微弱的内圈故障提出了通过共振解调法对特定尺度系数进行Hilbert包络提取故障频率的新方法。优点在于能够在强噪声背景下较为精确的识别故障。实际测试验证了新方法的正确性。     

基于CEEMDAN能量权重法的轴承故障诊断

针对强噪声干扰下轴承微弱故障特征难以通过单一的降噪或特征增强方法进行提取的问题,提出了一种基于时频谱分析的冲击能量增强的能量权重法,将噪声消除与特征增强2类方法进行融合,从而实现强噪声背景下微弱冲击的特征提取,并通过352226X2-2Z型圆锥滚子轴承内圈故障的试验验证了该方法在实际应用中的有效性。     

LCD联合改进Teager算子的轴承故障诊断

提出了将局部特征尺度分解(Local characteristic-scale decomposition,简称LCD)和改进Teager能量算子(NTEO)相结合的滚动轴承故障诊断方法。首先简单介绍了近几年新提出的一种自适应时频分析方法 LCD,它能够将一个复杂的多分量信号分解为若干内禀尺度分量(Intrinsic scale component,简称ISC),计算各阶ISC的峭度和与原信号的相关度,然后对峭度和相关度都比较大的ISC用NTEO计算瞬时Teager能量序列,接下来把各阶Teager能量序列相加得到总的能量序列,最后对能量序列做快速傅里叶变换,查找故障频率。分别把有内圈和外圈故障的轴承的振动信号进行了分析,有效的提取出了故障特征频率,并与传统的Hilbert包络谱方法和Teager能量谱进行对比,验证了方法的优越性。     

起重机用滚动轴承有限元分析及故障检测

针对起重机用滚动轴承故障率高且难以检测的问题,首先采用Ansys软件对起重机用滚动轴承进行基于实际接触状态的有限元分析,然后采用基于小波包能量法和Hilbert变换方法对滚动轴承进行信号处理、分析以及故障检测。结果表明:滚动轴承的滚动体与内外圈接触部位存在较大应力集中,最易在此处首先发生破坏;根据轴承故障特征频率与内圈、外圈、滚动体三种故障类型所对应的频谱特征和能量谱相比较,可有效判断轴承故障类型。研究所采用的检测方法可为起重机用滚动轴承的故障预防和检测提供一定理论依据和指导作用。     

松动—碰摩耦合故障转子系统动力学特性分析

基于有限元法,建立考虑松动、碰摩及松动—碰摩耦合故障的转子—轴承系统的动力学模型,其中松动故障采用分段线性刚度和阻尼模型,转定子碰摩采用点—点接触模型。通过增广的拉格朗日方法来处理接触约束条件,修订的库仑摩擦模型来模拟转定子之间摩擦。考虑不同转速对松动、碰摩及松动—碰摩转子系统动力学特性的影响,并对比三者之间的异同点。研究表明,碰摩在耦合故障中处于主导地位,而松动主要影响松动端局部振动处于从属地位;松动—碰摩耦合故障响应在低转速和高转速与单一碰摩故障类似,在中间转速存在一些差别,但总体运动趋势基本一致;与单一松动故障相比发现,碰摩能够减小松动引起的低频振动,主要激发高频振动。研究结果可为转子系统耦合碰摩故障诊断提供依据。     

角接触球轴承装配工序的技术质量分析

角接触球轴承装配时,只需径向游隙合格。通过加热外圈等方法,可方便地将钢球、保持架与内、外圈装配在一起。轴承装配前要重点控制锁口尺寸的大小,既要防止组装困难,又要防止轴承散套。一般锁口尺寸通过磨加工来保证。     

基于改进最大相关峭度解卷积的滚动轴承复合故障诊断

强背景噪声环境下,多故障特征的准确分离是滚动轴承复合故障诊断的关键与难点。针对此问题,提出了一种改进最大相关峭度解卷积的滚动轴承复合故障诊断方法。该方法基于故障信号的特点,利用最大相关峭度解卷积实现信号中的多故障特征分离,借助改进的粒子群算法对参数进行优化选取;利用互相关谱进一步突出信号中的故障特征,提高信噪比。仿真信号和实测滚动轴承内、外圈复合故障信号的分析表明,所提方法能够准确提取出滚动轴承复合故障特征,借助互相关谱的噪声抑制能力,能实现比单一MCKD方法更为有效的故障特征提取。     

双跨转子系统支承松动的动态特性及故障特征研究

建立带有支承松动故障的具有三轴承支承双跨弹性转子—轴承系统非线性动力学模型,对其复杂的运动特性进行数值研究,分析松动质量对系统非线性特性的影响和故障特征。研究结果表明,在高转速区,支承松动质量对系统运动特性有显著影响,特别是混沌和周期3分频运动;松动端轴颈的运动轨迹呈现出特有的形状。研究结果为有效识别转子—轴承系统的支承松动故障提供一定参考。     

基于多分辨SVD包和MED的柔性薄壁轴承故障特征提取与诊断

柔性薄壁轴承安装到谐波减速器上时内外圈会受迫变形成椭圆,工作过程中会产生周期性的冲击信号,使得柔性薄壁轴承的故障特征信号提取变得更加复杂。为实现对柔性薄壁轴承故障特征信号的有效提取,提出了一种基于多分辨奇异值分解（SVD）包和最小熵解卷积（MED）的柔性薄壁轴承故障特征提取与诊断的方法。利用多分辨SVD包对采集到的振动信号进行分解,分解后选用前4层中信噪比最高的近似信号进行MED冲击特征提取处理,将处理后的信号与前4层的细节信号进行信号重构和频谱分析,得到故障特征频率,最后将得到的故障特征频率与理论计算值进行对比,判断出故障类型。和单独使用多分辨SVD包处理的实验效果相比,该方法对柔性薄壁轴承的故障特征提取效果更好。     

变压器电气故障综合预警系统研究

从变压器内部故障的高频电流、振动、噪声以及泄漏电流出发,集成噪音传感器、振动传感器、高频传感器、泄漏电流传感器及配套的处理软件,建立了变压器内部电气故障综合监测和预警系统,实现了变压器局部放电、铁芯多点接地、直流偏磁、谐波负载、附件松动、冷却装置磨损、内部绕组松动以及铁心松动等运行缺陷的有效判别与预警。研究结果表明,设计的预警系统能够在准确识别故障的同时,通过 4G 、 Wi-Fi 通信接口进行数据实时远程传输,能够有效进行变压器内部电气故障的实时在线监测和预警。     

Fault diagnosis of partial rub and looseness in rotating machinery using Hilbert-Huang transform

Partial rub and looseness are common faults in rotating machinery because of the clearance between the rotor and the stator. These problems cause malfunctions in rotating machinery and create strange vibrations coming from impact and friction. However, non-linear and non-stationary signals due to impact and friction are difficult to identify. Therefore, exact time and frequency information is needed for identifying these signals. For this purpose, a newly developed time-frequency analysis method, HHT (Hilbert-Huang Transform), is applied to the signals of partial rub and looseness from the experiment using RK-4 rotor kit. Conventional signal processing methods such as FFT, STFT and CWT were compared to verify the effectiveness of fault diagnosis using HHT. The results showed that the impact signals were generated regularly when partial rub occurred, but the intermittent impact and friction signals were generated irregularly when looseness occurred. The time and frequency information was represented exactly by using HHT in both cases, which makes clear fault diagnosis between partial rub and looseness. This paper was recommended for publication in revised form by Associate Editor Eung-Soo Shin     

基于SVD和MOMEDA的薄壁轴承故障诊断

当柔性薄壁轴承工作时,受长短轴交替产生的冲击成分以及背景噪声的影响,很难从振动信号频谱中提取出故障频率。针对这问题,提出奇异值分解（SVD）与多点最优调整的最小熵解卷积(MOMEDA)相结合的柔性薄壁轴承故障特征提取方法。该方法用SVD算法对原始信号作降噪处理,获得重构信号,应用MOMEDA对重构信号进行增强,突出周期性故障脉冲,通过对处理后的信号进行频谱分析,从而提取出相应的故障频率。通过频谱中的主导频率与柔性薄壁轴承的故障特征频率的对比,可以判断故障位置,实现轴承的故障诊断。试验数据分析结果表明,该方法可以有效提取轴承内、外圈的故障频率。     

基于故障征兆的机械松动故障诊断

论述了机械松动造成机组振动的故障原因和故障特征,通过对一台电机基础或软脚松动故障的成功诊断实例介绍,论证了根据故障特征判断机械松动故障方法的有效性。该方法的使用能准确地得出诊断结论。