基于乏信息的滚动轴承振动与噪声的模糊预报

根据非统计原理,提出了一种新的预报技术——模糊预报技术,以解决样本少且概率分布未知条件下滚动轴承的动态性能预报问题。从小样本数据序列入手,基于乏信息隶属函数,建立轴承振动与噪声的经验概率密度函数与预报函数,并将小样本数据序列分成尺度信息与随机信息两个子序列,挖掘更多的滚动轴承动态系统的信息,然后用模糊区间数运算法则进行综合,得到滚动轴承振动与噪声的预报区间。试验研究表明,所提出的模糊预报方法可以有效地预报滚动轴承振动与噪声的波动区间,置信度与可靠度可以达到95%~100%。     

滚动轴承疲劳失效的铁谱监测

本文利用铁谱技术同时借助扫描电子显微镜对滚动轴承的疲劳失效过程进行了研究与监测     

滚动轴承动态性能的测试与分析

本文对滚动轴承采用柔性悬挂的方式测试其机械阻抗。根据轴承的支承形式提出了相应的动力学模型,由此动力学模型和测试得到的阻抗曲线识别出滚动轴承的刚度和阻尼值。用本文提出的方法识别得到的滚动轴承动态参数剔除了支承状况的影响,从而使得识别值更符合实际情况。     

存在点缺陷的深沟球轴承的动力学响应

点缺陷对滚动轴承的使用寿命和整机性能有着显著的影响.基于单边接触模型和弹流润滑理论,分析了存在点缺陷的滚动轴承的响应特征.采用多体动力学方法建立了考虑点缺陷的滚动轴承动力学模型,对外圈存在点缺陷的滚动轴承的内圈、外圈和保持架等的动力学响应进行了模拟.分析了在滚动体通过缺陷的动力学过程中滚动体和外圈产生的冲击现象,发现频率响应中的峰值频率与外圈的特征频率相关,这与滚动轴承故障诊断结论相吻合.提出的滚动轴承动力学模型可以用于点缺陷故障特征的提取和滚动轴承的故障诊断.     

基于独立分量分析的滚动轴承故障诊断

本文应用独立分量分析(ICA)将滚动轴承系统产生的声信号从传声器获取的声信号中分离出来,然后再采用基于morlet小波变换的包络分析进行再次降噪并获取特征信号,将此特征信号的特征频率与转子频率之比作为已经训练好的线性神经网络的输入向量,以对滚动轴承的运行状态做出判断.实验表明,此方法可靠、有效地诊断出了轴承的状态.     

深度神经网络在滚动轴承故障诊断中的应用

为了对滚动轴承发生的故障类型进行诊断,从而提升设备的安全性,提出了一种基于深度残差神经网络的智能故障诊断方法,并使用多传感器融合技术对深度残差神经网络进行了改进,使得诊断模型的识别精度和鲁棒性得到进一步提高.首先,通过多传感器技术来获取丰富的设备运行状态信息,然后利用时频分析方法短时傅里叶变换提取原始振动信号的初级特征信息,最后利用深度残差网络的强大学习能力,进一步提取初级特征信息中的高级特征信息,并识别设备的故障类型,从而实现滚动轴承的故障诊断.为了验证所提出方法的有效性,使用滚动轴承实验数据对方法进行了测试,同时与基于深度卷积神经网络和单传感器故障诊断模型进行对比,研究结果表明,提出的智能方法不仅能对故障进行准确识别,而且具有相当良好的泛化能力和抗噪能力,其故障精度达到了100%,在单传感器或多传感器受到强噪声干扰时,分别实现诊断精度至少为93.78%和82.54%.     

润滑油黏度对高速球轴承性能及损伤的影响

为探究高速工况下润滑油黏度对轴承润滑状态及性能的影响,试验研究了Si_3N_4陶瓷和GCr15轴承钢材质的7014C型角接触球轴承在不同润滑油黏度条件下的温升和振动特性.结果表明,轴承温升及振动随润滑油黏度的增大呈现出先下降后上升的趋势,影响程度随转速的增大而增大.同时,陶瓷轴承较钢制轴承在不同润滑油黏度条件下均表现出更优越的性能.将试验结果与轴承润滑状态分析结合,讨论了润滑油黏度、润滑状态、轴承性能三者的关系,为高速角接触球轴承适用润滑油黏度的选择提供了重要依据.此外,本文还对不同润滑条件下的轴承滚动面损伤进行了分析.结果显示,全膜弹流润滑条件下,陶瓷轴承与钢制轴承滚动面损伤较小且差异不明显.部分膜弹流润滑条件下的轴承滚动面损伤严重,表面出现大量凸峰和凹谷,轴承滚动体及外滚道表面损伤较内滚道严重,钢制滚动体的表面划痕较陶瓷滚动体密且深.     

Extraction of failure characteristic of rolling element bearing based on wavelet transform under strong noise

There has been a lot of research has been performed regarding diagnosing rolling element bearing faults using wavelet analysis, but almost all methods are not ideal for picking up fault signal characteristics under strong noise. Therefore, this paper proposes auto-correlation, cross-correlation and weighted average fault diagnosis methods based on wavelet transform (WT) de-noising which combine correlation analysis with WT for the first time. These three methods compute the auto-correlation, the cross-correlation and the weighted average of the measured vibration signals, then de-noise by thresholding and computing the auto-correlation of de-noised coefficients of WT and FFT of ctlergy sequence. The simulation results indicate that all methods enhance the capabilities of fault diagnosis of rolling bearings and pick up the fault characteristics effectively.     

频带多尺度复合模糊熵及其在轴承故障诊断中的应用

旋转机械设备发生滚动轴承故障的早期,受环境噪声影响,故障特征轻微.为了有效提取滚动轴承的故障信号冲击特征,以时频分析为基础,结合信息熵理论,提出一种频带多尺度复合模糊熵的故障诊断方法.与模糊熵相比,基于方差的频带多尺度复合模糊熵可以定量地表征非平稳信号的数据信息,抗干扰性强,更好地反映出不同频带分量在时间轴上的变化特性.引入自适应带通滤波器,成功实现对微弱故障的特征提取和故障识别.仿真分析和实验结果表明,提出的方法较传统滤波方法在降噪抑制方面效果更好,能够快速识别滚动轴承的冲击特征.     

基于CEEMDAN⁃SPSO⁃ELM的旋转电机滚动轴承故障检测方法

由于旋转电机滚动轴承振动信号存在不平稳、非线性的特征,传统时频分析法、小波分解法存在在信号分解过程中能量泄露、自适应能力差的问题,经验模态分解（EMD）法存在模态混叠等问题。提出一种基于噪声自适应完备总体平均经验模态分解方法（CEEMDAN）,利用具有麻雀捕食预警机制的粒子群算法（SPSO）优化极限学习机神经网络（ELM）的CEEMDAN?SPSO?ELM算法。利用所提方法对滚动轴承单一与多种损伤故障进行分析诊断,结果表明,所提算法具有有效性及诊断准确性。     

基于ADAMS的滚动轴承参数化建模与动力学仿真

为了更加精确地进行轴承动力学设计,优化高速轴承的动力学特性,本文采用虚拟样机分析软件对滚动轴承进行参数化建模,给出滚动轴承参数化过程,同时建立了深沟球轴承动力学参数化模型并进行仿真分析,仿真结果表明,当对滚动轴承施加一定重载荷时,滚动体因受迫速度增大一些,滚动体与内外圈及保持架的接触力也会增大,但由于滚动体的直径减小,施加的载荷不足以使轴承的变形达到增加接触力效果,所以在对轴承模型施加1000N载荷后,参数化模型分析结果与实际要求相符合。提高了建模效率,方便了用户不用考虑模型内部之间的关联变动对模型进行快捷修改。该方法对研究滚动轴承动力学特性具有重要作用。     

陶瓷滚动轴承发展的概述

本文综述了在高速、高温和带有腐蚀等条件下工作的陶瓷滚动轴承的重要性及其发展的现状,同时还阐述了陶瓷滚动轴承发展中存在的问题及解决的办法。     

Fault Diagnosis for Rolling Bearings with Stacked Denoising Auto-encoder of Information Aggregation

信息融合型的层叠去噪自动编码器的轴承故障诊断研究

张利，高欣，徐骁

（辽宁大学 信息学院，沈阳 110036）

创新点说明：

1）针对轴承故障信号的复杂性，提出了融合性的层叠去噪自动编码器，其主要方法在于综合了隐藏层结点的信息，对每一个结点的输入信息进行加权，从而更好的包含特征信息。

2） 利用主元分析法的立体抽象形式，进行特征信息的表达比二维更易发掘。

3）利用证据理论，对不同的信息进行融合表达。

研究目的：

主要针对轴承故障信号的敏感特征不易发觉而提出一种信息融合型的去噪自动编码器方法。

研究方法：

在研究中采用西储大学的轴承数据进行测试，研究的对象包括正常，内圈，外圈以及滚动故障的4种类型数据。

其中，考察的指标为:转速，负载量，直径，采样单元。如下表所示:

滚动轴承的智能诊断系统研究

利用虚拟仪器平台,选用加速度传感器和声级计拾取滚动轴承的振动信号和声信号,运用小波分析提取轴承特征信号;构建了基于BP神经网络的数据融合结构,实现轴承故障的智能诊断,提高了诊断效率和准确性.     

具有局部故障滚动轴承的振动分析(Ⅰ)外圈具有单一局部故障

在基于弹性力学的正常滚动轴承二自由度动力学模型的基础上,考虑外圈局部点蚀缺陷宽度以及深度对接触变形的影响,引入滚动体通过缺陷时接触变形量的变化,建立了外圈产生单一局部故障的滚动轴承的动力学模型.通过仿真,证实了当外圈产生单一局部缺陷时,滚动轴承振动信号的低频成分为滚动体通过外圈的频率及其倍频这一在滚动轴承故障诊断中常用的结论,并合理解释了倍频产生的原因;最后通过实验进一步证实了所建立模型和仿真结果的有效性.     

基于Hermitian小波的时间-小波能量谱滚动轴承故障诊断方法

针对滚动轴承早期故障微弱特征难以提取的问题,提出了一种基于Hermitian小波时间-能量谱的滚动轴承故障诊断方法.该方法针对轴承故障振动信号具有奇异性的特点,首先利用Hermitian小波对原始信号进行连续小波变换;再根据小波变换的结果求取信号能量在时间轴上的分布情况,利用谱峭度指标作为选择最佳累积尺度的标准,得到时间-小波能量分布;最后对时间-小波能量分布进行谱分析得到时间-小波能量谱以提取故障特征.利用时间-小波能量谱对仿真信号和轴承外圈及内圈点蚀故障信号进行分析.结果表明:该方法可有效地提取出强噪声环境下微弱故障的特征成分,并与普通的时间-小波能量谱作对比,特征提取效果更为明显,非常适用于滚动轴承早期故障诊断.     

基于EMD和模糊C均值聚类的滚动轴承故障诊断

针对滚动轴承故障振动信号的非平稳特征,提出了一种基于经验模态分解和奇异值分解的特征提取与模糊C均值（FCM）聚类的滚动轴承故障诊断方法。该方法首先对滚动轴承振动信号进行EMD分解,组成初始特征向量矩阵;并对该矩阵进行奇异值分解,将矩阵的奇异值作为故障特征向量;最后以FCM聚类为故障分类器,实现滚动轴承不同故障类型的识别。实验结果分析表明,该方法能有效地进行滚动轴承故障诊断。     

轴承故障诊断中共振解调技术的应用研究

为解决机械设备滚动轴承的早期故障难于识别的问题,采用共振解调技术对此类故障对应的微冲击脉冲进行了提取研究．分别采用频谱分析、软件及硬件共振解调的方法对滚动轴承的外圈点蚀故障信号进行了分析．结果表明,共振解调技术能提取早期故障的微冲击特征,相对软件共振解调,硬件共振解调谱图故障特征明显,能对轴承早期裂纹、点蚀等微冲击故障进行有效提取．     

基于Teager能量算子和EEMD的滚动轴承故障诊断方法

针对应用集合经验模态分解(ensemble empirical mode decomposition,EEMD)方法难以提取强噪声背景下滚动轴承微弱故障特征的问题,提出了将最小熵反褶积(minimum entropy deconvolution,MED)和小波阈值去噪与EEMD相结合的改进方法.先采用MED对滚动轴承振动信号降噪,增强冲击特征;然后利用基于EEMD的小波阈值去噪方法处理降噪后信号得到一组固有模态分量(intrinsic mode function,IMF),并依据相关系数准则剔除虚假分量;对重构后信号进行Teager能量算子解调分析,提取其微弱故障特征.通过仿真信号和实验台信号验证了该改进方法的有效性.     

基于EMD与ICA的滚动轴承复合故障诊断

针对单通道情况下滚动轴承复合故障难以分离问题,提出基于经验模式分解(empirical mode decomposition,EMD)的独立分量分析(independent component analysis,ICA)算法.该方法首先对单通道采集的轴承复合故障信号进行EMD分解,得到多个基本模式分量函数(intrinsic mode function,IMF),然后依据帩度指标及相关系数值,选取有效的IMF分量与原观测信号组成新的观测信号,对其进行ICA处理,进而实现轴承复合故障的分离.实验结果表明,该方法可有效地分离轴承早期的复合故障.