柔性椭圆轴承故障频率分析与CMWT-FH特征提取

柔性椭圆轴承（Elliptically shaped baring,ESB）在工作中承受循环交变应力载荷,是谐波减速器中最易损坏的核心零件。根据ESB的运动学特性,推导其滚道表面发生局部缺陷故障时的特征频率公式。由于其故障特征容易被长短轴交替产生的振动激励信号所掩盖,提出连续Morlet小波变换（Continuous Morlet wavelet transform,CMWT）与基于FFT的Hilbert频谱分析（FFT based Hilbert,FH）结合的CMWT-FH故障特征提取方法。与普通FH方法的特征提取效果对比分析,CMWT-FH方法可以更容易、更准确地识别出ESB的故障特征频率及其边频带频率：外圈故障时,外圈故障特征频率及其高次倍频两侧存在间隔为二倍转频调制频率的边频带;内圈故障时,内圈故障特征频率及其高次倍频两侧存在间隔为转频调制频率的边频带。可结合故障特征频率及调制边频带来判断故障出现在外圈还是内圈。     

基于小波包-AR谱的变速器轴承故障特征提取

提出了一种小波包-AR谱估计和计算散度相结合的汽车变速器轴承故障特征提取方法.将6种不同磨损状况下的变速器轴承振动信号进行小波包分解,重构各频段信号并进行自回归(auto regressive,简称AR)谱估计,最后计算各故障轴承到新轴承之间的散度值.试验结果表明,不论是轴承的轴向间隙,还是径向间隙差异及疲劳剥落,在小波包-AR谱的谱图上均有明显的反映,该方法可以有效提取出汽车变速器轴承振动信号中的故障特征.     

基于ENLMD与Hilbert包络谱的轴承运行状态故障特征提取

针对局部均值分解(Local Mean Decomposition,LMD)方法实现过程中只部分抑制了端点效应和模态混叠的问题提出集成噪声重构局部均值分解(Ensemble Noise-reconstructed Local Mean Decomposition,ENLMD)方法.该方法对经过LMD分解后待处理的PF分...     

基于小波包-包络分析的故障特征提取方法

针对齿轮、滚动轴承等的早期损伤类故障，提出将小波包分解作为包络分析的前置处理手段以提取振动信号的故障信息特征。在简述小波包基本原理的基础上．通过仿真信号．对振动信号的具体处理过程进行分析，并对可能遇到的问题．提出处理办法．然后应用于诊断实例。结果表明，该方法能够自由确定振动信号的频带划分并全面获得各频带内隐含的故障特征，且易于实现，有一定的工程应用价值。     

基于奇异值差分谱与改进包络分析的轴承故障特征提取

针对滚动轴承振动信号故障特征难以提取的问题,提出了一种基于奇异值差分谱与改进包络分析的轴承故障特征提取方法。首先,通过奇异值分解将原始轴承振动信号分解为一系列能够线性叠加的分量信号,利用故障特征分量和噪声分量在奇异值上的差异,根据奇异值差分谱的性质筛选出有效奇异值,选择包含故障特征的分量重构信号。针对奇异值分解去噪后仍存在残余噪声,采用改进包络分析,在频域中进一步去除重构信号中的残余噪声。最后对实测轴承信号进行分析,准确地提取到故障特征明显、故障频率突出的轴承故障信号,完成故障诊断。     

基于FDEO与改进ACYCBD的风电机组轴承故障特征提取

针对由于实际工况中风电机组轴承发生故障所采得的信号会受到变速变载的影响,造成故障特征难以提取的问题,提出了基于频域能量算子(Frequency domain energy operator,FDEO)与自适应最大2阶循环平稳盲解卷积(Adaptive maximum second order cyclostationarity blind deconvolution,ACYCBD)的风电机组轴承故障特征提取方法。首先,通过SCADA数据提供的高速轴转速平均速度对CMS(Condition monitoring system)系统采集的振动信号进行感兴趣的振动成分选择,并通过窄带滤波和FDEO对振动信号进行瞬时频率估计和阶次跟踪;其次,针对风电机组振源多、振动信号复杂的特点,对通过阶次跟踪后的角度域振动信号应用改进ACYCBD完成故障特征提取。工程应用分析结果表明,该方法能够准确有效地实现风电机组轴承特征的提取而不受到其他振源的影响。     

振动筛综合故障的辨识诊断分析

通过对振动筛振动故障的辨识,及早地发现故障,不致使其继续发展,并及时对其进行维护 ,可使维修成本降低,对保证正常生产具有重要意义.通过对正常状态和故障状态时振动筛的振动数据分别进行分析研究,对故障信号予以辨识,找出了相应的辨识方法.     

基于CPW和SCD的行星轴承内圈故障特征提取

行星齿轮箱振动信号传递路径具有时变性,各振动分量间相互耦合和调制,拾取的信号往往比较复杂。此外,行星轴承早期故障对应的振动信号微弱,常湮没于背景噪声和较强的齿轮啮合振动信号中,使得行星轴承故障特征提取较为困难。为此,笔者提出一种基于倒谱预白化（cepstral pre?whitening,简称CPW）和谱相关密度（spectral correlation density,简称SCD）的行星轴承内圈故障特征提取方法。首先,采用CPW削弱具有严格周期特性振动分量的能量幅值,增强轴承故障分量的冲击幅值;其次,基于谱峭度算法获取与轴承故障冲击相关的谱峭度最大值时对应的解调频带参数,并获得带通滤波后复包络信号,进而消除解调频带外成分的干扰;最后,基于轴承故障的随机滑动特性,结合SCD提取行星轴承故障振动分量,进而包络谱分析提取出行星轴承故障特征。利用行星轴承内圈故障实测数据验证了方法的有效性。     

矿井设备齿轮与轴承故障的诊断基础及信号特征研究

应用齿轮振动和轴承振动的数学模型,对齿轮和轴承故障的诊断基础和信号特征进行研究,认为:齿轮和轴承不同形式的故障对应不同特点的振动信号,根据振动信号的时域和频谱特征可以得到特定的故障形式;齿轮发生故障时会在其频谱图中形成频率和幅值调制现象。     

滚动轴承故障特征提取的频谱自相关方法

冲击调制是滚动轴承发生局部故障的重要特征,在频谱上表现为调制边频且能量主要集中在高频共振区非常不利于诊断。根据冲击序列在时域与频域具有相似冲击形式的特点,将时域的自相关概念引入频域,对滚动轴承内、外圈局部故障响应信号的频谱进行自相关分析。该方法将位于高频共振区的调制边频特征有效地转移到低频区,形成以故障特征频率为基频的谐频特征;对于内圈故障信号频谱自相关结果保持了载荷调制的边频。对6220型滚动轴承外圈和内圈点蚀故障信号的分析结果表明:频谱自相关分析在不设计带通滤波器选择共振频段时,分析过程更简洁,对内圈故障特征的提取比包络分析、倒谱分析及时域的自相关方法效果更好、抗噪能力更强、可信度更高,具有较高的工程应用价值。     

基于ANSYS的单梁筛分析和改进

以新型结构筛—单梁激振筛为研究对象,用动力学基本原理作为基础,以有限元分析软件ANSYS为主要工具,结合单梁激振筛的结构特点,建立了单梁激振筛的系统动力学模型,对振动筛进行了系统动力学研究。同时,在设计分析的基础上利用ANSYS软件对结构进行优化,以提高振动筛结构的可靠性和各零部件设计的合理性。     

振动筛主梁应力分析与模态分析

以黑旋风振动筛为研究对象,采用有限元方法,对振动筛关键结构主梁进行了应力分析,得到了有效的应力云图,得知振动筛的主梁应力最大应力值小于材料的许用应力,设计结构满足要求;利用ANSYS有限元软件对振动筛进行了模态分析,结果表明:振动筛的模态频率远离其工作频率,不会发生共振。通过对振动筛的进行动态特性分析,为该筛结构改进提供了可靠的依据。     

香蕉形直线振动筛的动力学仿真分析

采用多体动力学软件对香蕉形直线振动筛进行动力学仿真分析,计算得到振动筛在工作时的振幅,通过分析振幅曲线获得振动筛的共振情况.得到的振动筛的动力学规律对振动筛的设计、改进及维护具有重要指导意义;计算主要连接件螺栓的作用力,为以后的强度分析做准备.     

一种面向旋转机械的基于Transformer特征提取的域自适应故障诊断

针对基于深度学习的旋转机械故障诊断方法在新工作条件下缺乏标注数据、跨域诊断精度较低的问题,提出了一种基于Transformer的域自适应故障诊断方法。采用Transformer的变体VOLO构造特征提取器以获取细粒度更佳的故障特征表示。利用源域数据进行监督学习对源域和目标域数据的特征提取器进行预训练,并且冻结源域提取器参数以获取固定的源域特征。利用域对抗自适应策略和局部最大平均差异结合目标域未标注数据训练目标域特征提取器,实现源域特征与目标域特征的边缘分布、条件分布对齐。通过两个多工况实验对所提出的故障诊断算法进行了验证,结果表明提出的基于Transformer特征提取的域自适应故障诊断方法相比5种传统域自适应方法,在齿轮和轴承数据集上分别平均提升了22.15%和11.67%的诊断精度,证明所提出方法对于跨域诊断精度具有提升作用。     

超静定结构振动筛的设计与动态特性分析

运用有限元法分析了超静定结构振动筛的固有频率、固有振型及动力响应,通过分析得出超静定结构增加了振动筛的强度,提高了弯扭变形的固有频率,并有效避开工作频率,避免了共振的发生.     

变速器新产品故障特征提取与分类方法

针对汽车变速箱原始故障特征向量维数过高导致的检测效率低、准确率低的问题,提出一种基于阶次分析理论的特征提取方法和基于遗传算法—反向传播神经网络的特征选择与分类方法。首先运用阶次分析理论提取变速器的阶次域特征,与时域特征共同组成特征向量集;然后将类内类间距离比与惩罚系数之和作为目标函数值,利用遗传搜索策略对特征向量集进行特征选择,得到特征子集;最后用反向传播神经网络算法进行故障分类,得到检测结果,并通过实验验证了所提出方法的有效性。     

气门故障特征提取及诊断方法的分析与研究

分析比较了工程实践中用于分析气门信号的两种方法(短时傅立叶变换和小波变换)的各自特点,指出用短时傅立叶变换分析气门信号存在的缺点,通过理论分析,得出用小波变换作为提取气门故障特征这一方法的优点.     

基于DBN的故障特征提取及诊断方法研究

随着装备日趋复杂化,依靠专家经验或信号处理技术人工提取和选择故障特征变得越来越困难。此外,以BP神经网络、SVM为代表的浅层模型难以表征被测信号与装备健康状况之间复杂的映射关系,且面临维数灾难等问题。结合深度置信网络(DBN)在提取特征和处理高维、非线性数据等方面的优势,提出一种基于深度置信网络的故障特征提取及诊断方法。该方法通过深度学习利用原始时域信号训练深度置信网络并完成智能诊断,其优势在于能够摆脱对大量信号处理技术与诊断经验的依赖,完成故障特征的自适应提取与健康状况的智能诊断,该方法对时域信号没有周期性要求,具有较强的通用性和适应性。在仿真数据集和轴承数据集上进行了故障特征提取和诊断实验,实验结果表明:本文提出的方法能够有效地从原始信号中进行多种工况、多种故障位置和多种故障程度的故障特征提取和诊断,并且具有较高的故障识别精度。     

基于小波变换和ICA特征提取的开关电流电路故障诊断

提出了采用小波变换和独立成分分析(ICA)作为预处理器来进行特征提取的神经网络开关电流电路故障诊断方法。该方法对采集到的故障响应信号进行Haar小波正交滤波器分解,获得低频近似信息和高频细节信息;然后利用独立成分分析方法进行ICA故障特征提取;最后将所得到的最优故障特征输入到BP神经网络中进行故障分类。对六阶切比雪夫低通滤波器和六阶椭圆带通滤波器电路进行了仿真实验验证,获得了100%的故障诊断准确率,与其他方法进行比较,实验结果显示了该方法的优越性。