基于深度迁移学习的轴承故障分析

滚动轴承作为旋转机械的核心部件,其运行的稳定性决定了机械运行的可靠性.轴承故障主要出现在滚体、内圈、外圈上,为确保机械的安全、稳定运行,对于滚动轴承故障的分析和预测具有极大的意义.提出了一种基于深度迁移学习的方法用于滚动轴承故障数据的分析与预测,基于同一工况下的轴承各类故障搭建深度迁移学习的模型,加入稀疏自编码器用于提...     

滚动轴承性能退化趋势预测综述

滚动轴承作为旋转机械的重要零部件之一,其在工业中占有重要的地位,其可靠性直接影响设备能否安全、稳定运行.文章首先阐述了滚动轴承性能退化趋势预测的研究意义;接着梳理了滚动轴承性能退化趋势预测中关键难点性能退化指标构建对故障特征提取、降维和融合方法,然后进行了有效的性能退化趋势预测模型分类.最后,对滚动轴承性能退化趋势预测...     

基于AR模型的滚动轴承故障诊断

滚动轴承是旋转机械的重要典型零部件，本文将自回归（AR）模型应用于滚动轴承故障诊断，对其时域信号建立自回归模型，计算出其AR功率谱，并和经典功率谱进行比较，进而判断轴承的工作状态。实验结果表明，该方法能简单有效地识别滚动轴承故障。     

基于cICA的旋转机械变速过程滚动轴承故障特征提取

在ICA基础上发展起来的约束独立分量分析(cICA)方法,可根据一定的先验知识生成参考信号以提取选定的独立分量,解决了原ICA算法的次序不确定性问题。将cICA用于滚动轴承故障诊断,能够根据被监测滚动轴承的特征频率等先验信息建立参考信号并实现对其故障振动特征信号的提取。本文将该方法与针对旋转机械变速过程的阶比跟踪技术和滚动轴承包络分析技术相结合,提出了基于cICA的旋转机械变速工作过程滚动轴承早期故障分析方法。该方法首先通过包络提取技术在共振带获得包含故障信息的包络信号,再通过阶比分析中的等角度采样将包络信号转换到角域,在角域建立参考信号,并用cICA实现旋转机械变速过程下滚动轴承故障对应冲击性信号成分的有效提取。仿真和测试试验表明,所提出方法适合于旋转机械升降速等变速过程中的滚动轴承初期故障特征信息提取。     

大型收尘风机滚动轴承故障诊断

大型收尘风机滚动轴承故障诊断株洲冶炼厂高兴滚动轴承是旋转机械的重要部件。轴承在长期的承载过程中，由于交变载荷的作用，接触表面易产生疲劳、裂纹、剥落，甚至造成元件断裂等故障，从而影响机器的正常运转。为了迅速、准确地诊断出轴承故障，通过多方法实践，我们选...     

滚动轴承早期故障诊断技术应用探讨

滚动轴承在旋转机械中应用非常普遍,而其工作寿命的离散性又很大。因此开展滚动轴承故障诊断技术的研究很有必要,尤其是对早期故障进行预报更具重要价值。本文依据笔者在上海石化开展此项工作的研究实践,结合诊断实例,论述应用高频解调技术对滚动轴承早期故障进行测试分析的工作体会,在工程上有一定的实用价值。     

基于BP网络的滚动轴承故障诊断方法

据统计，旋转机械的故障，30%是由滚动轴承故障引起的。因此，滚动轴承的故障诊断方法的研究得到各国专业技术人员的重视。对此，本文提出了一种新的关于滚动轴承故障的BP网络诊断方法，即通过建立相应的BP网络模型，并用BP算法对该网络进行训练，利用神经网络的智能性来判断轴承所属的故障类型。仿真结果表明，该方法实用有效。     

滚动轴承故障诊断方法综述

旋转机械作为机械设备中的主要设备类型,工作环境恶劣,对设备本身的寿命有着重要的影响。滚动轴承作为旋转机械中的重要组成部件,对设备运行的可靠性和安全性起着至关重要的作用。目前,滚动轴承故障诊断技术在满足工业现场实际性能需求方面还面临着很大的挑战,本文试图对这一问题进行初步探讨,主要综述滚动轴承故障模式识别相关的研究方法。同时针对不同方法的优点、局限性进行了分析,并对相关新的研究趋势进行了讨论。     

采用冲击脉冲法诊断滚动轴承故障

采用冲击脉冲法诊断滚动轴承故障云南设备状态监测及故障诊断服务部易良矩滚动轴承是应用最广泛的易损件，据统计旋转机械的故障有３０％是由轴承引起的。轴承的缺陷会导致机器剧烈的振动和噪音，甚至引起设备损坏。对滚动轴承采用定期维修的方法是不可取的。因为工业轴承...     

基于模糊熵和分形维数的滚动轴承早期故障检测

滚动轴承是风机、变速箱等旋转机械中最常发生故障的元件,一旦出现故障,将会使得整个系统停机甚至导致灾难性后果。因此,对滚动轴承进行早期故障检测有着重要的意义。本文提出利用模糊熵和分形维数结合的方法对滚动轴承振动信号进行故障特征的提取,利用樽海鞘群算法优化的支持向量机(SSA-SVM)来构建早期故障检测的模型。通过滚动轴承正常运行和早期故障时采样的历史数据,训练和测试早期故障检测模型,可以实现对故障未知的振动信号进行早期故障检测。通过实验,证实了该方法在滚动轴承早期故障检测上的有效性。     

振动频谱分析在滚动轴承故障诊断中的应用

滚动轴承是转动设备中应用最为广泛的机械零件,是轴及其他旋转构件的重要支承,是最早采用专业化大批量生产的机械基础件之一,在日常的使用与维修中发现,轴承同时也是最容易产生故障的零件。根据不完全     

除尘风机滚动轴承缺陷故障的精密诊断

据统计,旋转机械中由于滚动轴承损坏而引起的故障约占70%.因此,对滚动轴承的运行状态进行监测和故障诊断具有十分重要的意义.下面是一个诊断实例.一、设备规格,检测参数、位置和方向的选择     

基于EEMD和包络分析的滚动轴承故障诊断研究

在较大的背景噪声中,对旋转机械进行监测,包络分析不能从测得的振动信号中解调出故障。基于旋转机械振动信号具有非平稳、非线性特点,提出一种新的基于EEMD和包络分析的滚动轴承故障诊断方法,该方法首先运用EEMD方法将振动信号分解成有限个本征模态分量和残余量,对这些分量进行包络分析,可以解调出故障。通过仿真信号和实际滚动轴承外圈的振动信号分析表明该方法能够有效地识别滚动轴承的故障。     

基于遗传算法与SOM网络的轴承故障诊断方法

轴承作为旋转机械的核心部件，开展其有关故障诊断方面的研究，有利于对旋转机械运行状态进行监测。针对旋转机械轴承故障的微弱信号容易淹没在其它部件的振动信号中，采用特征提取法，从滚动轴承正常、内环故障、外环故障和滚动体故障四种工况的振动信号中提取时频域统计特征参数；并引入遗传算法消除时频域统计特征间的耦合性与共线性，提取9个时频域最优特征参数作为SOM网络的输入。研究结果表明：不同故障类型下，激活的SOM神经元不呈现明显性的差异性；根据文中神经元激活统计规则，表明SOM具有一定的故障辨识性，且对规则进行调整能够提升SOM网络的诊断效果。     

基于CNN和XGBoost的滚动轴承故障诊断方法

滚动轴承是旋转机械最主要的零部件之一,针对滚动轴承故障类型的有效识别问题,提出了一种基于卷积神经网络(CNN)和极端梯度提升(XGBoost)的滚动轴承故障诊断方法。对滚动轴承数据进行预处理,利用训练集对CNN进行训练和调参,运用训练好的CNN模型进行特征的提取,并使用XGBoost模型进行故障类型的分类。采用德国帕德博恩大学滚动轴承进行模型的测试,结果表明:该模型交叉验证得分接近满分,并且在测试集上准确率达到了99%,优于仅仅使用CNN、支持向量机(SVM)、XGBoost以及三层神经网络。     

基于EMD和Hilbert包络谱的滚动轴承故障诊断

为了对旋转机械中滚动轴承的运行状态进行故障监测和诊断,提出了一种基于EMD和Hilbert包络谱的滚动轴承故障诊断新方法.通过在滚动轴承实验台上提取振动信号,用EMD对数据进行分解得振动信号的固有模态函数分量(IMF分量),然后对IMF作Hilbert包络并进行谱分析.结果表明,该方法能够准确地识别和诊断出滚动轴承的运行状态和故障类型,非常适合滚动轴承故障精确诊断,具有很高的工程实用价值.     

旋转机械振动故障机理及诊断方法分析

近年来,随着生产技术的不断成熟和发展,旋转机械已成为使用最广泛的工业机械设备之一,其故障的诊断对于旋转机械的安全运行至关重要。如果旋转机械运行过程中发生故障,复杂的内部结构很容易引起机械设备的连锁反应。因此,研究旋转机械故障诊断对于分析机械设备缺陷的原因和缺陷状况以及检查两者之间的关联有着相当重要的意义。本文首先分析了旋转机械的常见的故障类型及机理,并对目前常用的旋转机械故障诊断方法进行了详细的论述,最后叙述了故障诊断专家系统的开发研究现状。     

滚动轴承缺陷频谱特征及故障诊断实例

由于使用维护方便、工作性能可靠,滚动轴承在旋转机械中有着广泛的应用,其运行状态的好坏对旋转机械的正常运转起着至关重要的作用。随着状态监测技术的发展和应用,通过提取滚动轴承频谱特征来进行轴承故障诊断的实例越来越多。对应用实践进行总结分析,对滚动轴承频谱特征进行分类,并列举了相应的实例,为滚动轴承故障诊断提供参考。     

基于小波变换和BP神经网络的滚动轴承故障信号诊断

旋转机械中,轴承作为必不可少重要零部件之一,在发生故障时,振动信号比较复杂,相对其它振动信号太弱,传统谱分析技术对滚动轴承的故障的分析不太理想。提出采用小波变换的方法来处理滚动轴承的故障振动信号,通过三层小波分析并提取了轴承故障信号的特征,然后利用提取的特征作为识别模型的输入,利用建立的BP神经网络对轴承故障信号进行诊断检测。实验结果表明该方法实现了对该轴承故障信号的有效分析。     

基于循环统计量分析方法诊断轴承故障的研究

通过分析旋转机械振动信号的特点,指出旋转机械的振动信号为循环平稳信号。通过对循环谱密度的特性分析,指出应用循环谱密度分析方法可以在循环频率域有效提取出滚动轴承的冲击故障频率。通过仿真信号验证了该分析方法的有效性,并将之应用于泵类滚动轴承的故障诊断中。