带式输送机滚动轴承故障诊断原理及应用

本文介绍利用检测仪器和共振解调原理对滚动轴承故障进行诊断,并在悬链式链斗卸船机的带式输送机上对其滚动轴承进行现场监测。根据仪器显示轴承故障信号时域波形曲线的功率谱,就可诊断故障及其故障性质。经拆检验证结果与诊断结果完全一致。     

滚动轴承的振动监测与故障诊断系统研究

论述了滚动轴承的振动监测与故障诊断的原理,方法和系统。为了简单 判别轴承有无故障,采用了振动监测系统对滚动轴承进行巡回在线监测,发现故障后发出声光警告,然后则自动转入诊断模块,用共振解调法进一步判断故障发生部位及其趋势等。     

基于时域参数趋势分析的滚动轴承故障诊断

滚动轴承是各种旋转机械中应用最广泛的部件,定期对滚动轴承进行监测和故障诊断具有重大意义.利用时域参数对早期故障的敏感性,结合趋势分析技术,对滚动轴承进行定期检测,得到其峭度、峰值因子、有效值趋势曲线.根据趋势曲线反映的各特征参数变化规律来观测轴承状态的变化趋势或现实状况,并采用LabVIEW图形化编程语言实现了时域参数趋势曲线的直观显示.利用时域参数趋势分析来进行滚动轴承的故障检测与诊断,简单实用,效果明显.     

基于DSP和ARM的滚动轴承自动监测和故障诊断系统

为了提高轴承检测系统的稳定性和降低检测系统的成本,介绍一种基于DSP和ARM的滚动轴承自动监测和故障诊断系统,该系统采用了轴承振动信号的时域参数法来判断轴承故障,使用共振解调的诊断方法来判断故障的类型。实际使用证明,该系统具有诊断的高效和技术先进性。     

基于RCMRFDE和ELM的滚动轴承故障检测方法

为了有效地提升滚动轴承故障诊断的可靠性和准确性，鉴于精细复合多尺度反向波动散布熵(RCMRFDE)方法在描述非线性序列复杂度和特征提取方面的优势，提出了一种结合RCMRFDE和极限学习机(ELM)的滚动轴承综合故障检测方法(该方法包括健康检测和故障分类)。首先，根据滚动轴承健康和故障振动信号复杂性具有显著性差异的特点，利用RCMRFDE预先检测了滚动轴承的健康状态，筛选出了健康轴承；然后，采用RCMRFDE提取出了剩余故障轴承的故障特征，并采用极限学习机(ELM)对故障类型进行了智能化的识别；最后，基于两种公开的滚动轴承故障实验数据，分别采用RCMRFDE+ELM方法与其他5种故障诊断方法进行了检测，并将所得结果进行了比较分析，以验证新方法的检测精度、分类准确率、效率和可靠性。研究结果表明：采用RCMRFDE+ELM方法能够准确地检测出滚动轴承是否存在故障，并且在二次实验中，对于故障轴承的平均识别准确率分别达到了99.96%和99.67%,均高于其他方法。该方法可以为建立滚动轴承的健康监测模型提供阈值设置方法和诊断思路。     

基于小波分析多尺度分解的轴承故障检测

归纳和总结了小波分析多尺度分解的滚动轴承故障检测方法的实施步骤,阐述了故障轴承振动与信号的关系以及离散小波算法的原理和实现过程,并以滚动轴承故障诊断为例,运用MATLAB小波分析工具箱将滚动轴承振动信号进行小波离散多尺度分解,然后在分解的结果中寻找滚动轴承的故障特征频率。结果表明,如果在故障检测过程中合理选择小波函数和各种参数,则小波分析多尺度分解具有很强的故障识别能力。     

基于DDAE-GRA的滚动轴承早期故障诊断

提出一种将深度降噪自编码(DDAE)和灰色关联度分析(GRA)相结合的滚动轴承早期故障诊断方法。使用DDAE提取轴承振动信号的特征,以正常样本特征作为灰色关联分析的参考序列,计算滚动轴承全寿命周期数据样本特征与正常样本特征的关联程度作为轴承性能退化的指标,绘制性能退化曲线并使用3σ阈值判定轴承早期失效时间。对辛辛那提大学轴承数据集外圈故障轴承的分析结果表明：DDAE-GRA模型识别的轴承故障发生在第533个样本,该样本包络谱中出现了明显的外圈故障特征频率及其倍频;DDAE-GRA模型比小波包分解-GRA,DDAE-FCM,DDAE-SVDD具备更好的鲁棒性,更适用于滚动轴承早期故障监测。     

用高频谐振技术诊断滚动轴承故障

对于滚动轴承的工况监测和故障诊断,目前广泛倾向于采用检测轴承振动的方法。其中比较可靠的是冲击脉冲法和高频谐振技术,这二者均利用了滚动轴承有故障时所激起的冲击振动具有一般机械振动所不含有的高频分量的特点,把轴承的故障信号从其它机械的振动信号中分离出来。冲击脉冲法只能判断轴承的损伤程度,而高频谐振技术不仅能判断轴承的损伤程度而且能判断其损伤     

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...     

基于统计特征加权融合和图模型的滚动轴承早期故障监测方法

滚动轴承在现代机械装备中得到了广泛应用.轴承的早期故障监测对于降低维护检修成本,提高机械系统的效率和可靠性具有重要意义.为此,提出了一种基于统计特征加权融合和图建模的滚动轴承早期故障监测新方法.对采集的轴承原始振动信号提取多个统计特征;采用自适应加权的方法对统计特征进行融合,对融合后的特征进行图建模,以提高其鲁棒性;然后进行图模型距离度量得到异常得分;最后采用检验假设对轴承早期故障进行监测.将此方法应用于滚动轴承数据集,实验结果证明了该方法的有效性,同时表明该方法在滚动轴承实时在线监测应用中具有良好的潜力.     

基于形态分量分析和包络谱的轴承故障诊断

滚动轴承出现局部损伤时,其振动信号往往由包含轴承自身振动的谐振分量、包含轴承故障信息的冲击分量及随机噪声分量构成。提出了基于形态分量分析和包络谱的滚动轴承故障诊断方法。该方法根据轴承振动信号中各组成成分的形态差异,利用改进的形态分量分析对滚动轴承故障振动信号中的谐振分量、冲击分量和噪声分量进行分离,然后对冲击分量进行Hilbert包络解调分析,根据包络谱诊断滚动轴承故障。算法仿真和应用实例表明,该方法能有效提取滚动轴承故障特征。     

全矢EEMD在轴承故障诊断中的应用

实际工况中滚动轴承故障的振动信号为非线性,非平稳的信号。为了对滚动轴承的故障做出准确识别,根据轴承故障信号的特点,在此提出一种用全矢谱和EEMD相结合来提取故障特征指标,然后利用隐马尔科夫模型对滚动轴承故障进行分类的新方法。首先对实验得到的滚动轴承同源双通道振动信号进行EEMD分解,得到数个IMF分量,选取相关性较高的分量进行全矢融合。然后提取与故障类型相对应的故障特征频率下的幅值作为滚动轴承故障分类的指标,并利用HMM方法进行训练和识别,从而区分出不同的故障类型。最后,利用实验得到的轴承故障信号进行测试,实验结果表明,该方法可以对滚动轴承故障做出较为准确的识别。     

改进多尺度幅值感知排列熵与随机森林结合的滚动轴承故障诊断

针对滚动轴承故障识别准确率较低的问题,本文提出了一种新型滚动轴承故障诊断方法。该方法能够在准确识别滚动轴承故障类型的基础上,进一步分析故障的严重程度。首先,通过固有时间尺度分解提取滚动轴承振动信号的最佳固有旋转分量,突显故障信号的冲击特征;然后,利用改进多尺度幅值感知排列熵对信号幅值和频率变化敏感的特性,计算不同时间尺度下的幅值感知排列熵作为故障特征向量,改善了多尺度分析中的粗粒化过程,提升了故障特征提取的稳定性;最后,利用故障特征集构建随机森林多分类器,实现对滚动轴承不同故障类型的识别及严重程度分析,具有较强的泛化能力。实验结果表明,与现有滚动轴承故障诊断方法相比,平均故障识别准确率达到99.25%。该方法能够稳定而有效地提取滚动轴承的故障特征且具有较好的实时性。     

一种基于聚类的滚动轴承故障诊断方法

近年来,机器学习技术在故障智能诊断领域得到了广泛的应用,聚类作为最主要的无监督学习技术在基于机器学习的故障智能诊断中占有重要的地位。滚动轴承故障诊断中,传统的频谱分析法通常采用共振解调技术,但当内圈、滚动体或多点故障时,产生复合调制,从解调谱线很难分辨故障类型。针对此,提出了一种新的基于模糊聚类的滚动轴承故障诊断方法,该方法以模糊Fisher准则为聚类目标,通过对待测样本与已知状态样本数据聚类,求得待测样本隶属度,进而判断滚动轴承的故障类型。实验结果表明该方法是有效的。     

基于神经网络的滚动轴承故障诊断方法的研究

神经网络是一种具有非线性映射能力强以及自学习、自组织、自适应等优点的智能方法,非常适合于滚动轴承的故障诊断。针对滚动轴承是机械设备重要的易损零件之一,大约有30%的故障是由轴承损坏引起的,提出了基于神经网络的滚动轴承故障诊断方法。以滚动轴承小波分解后的能量信息作为特征,通过神经网络作为分类器对滚动轴承故障进行识别、诊断。实验表明,该方法对于滚动轴承的故障诊断具有良好的效果和应用价值,并可方便地推广到其他类似的诊断领域。     

基于改进多尺度模糊熵的滚动轴承故障诊断方法

滚动轴承故障诊断的关键是敏感故障特征的提取。多尺度模糊熵(multi-scale fuzzy entropy,简称MFE)是一种衡量时间序列复杂性的有效分析方法,已经被用于滚动轴承振动信号故障特征提取。针对MFE算法中多尺度粗粒化过程存在的缺陷,笔者采用滑动均值的方式代替粗粒化过程,提出了改进的多尺度模糊熵算法,并通过仿真信号将其与MFE进行了对比分析。在此基础上,提出了一种基于改进多尺度模糊熵与支持向量机的滚动轴承故障诊断方法。最后,将所提故障诊断方法应用于的滚动轴承实验数据分析,并与基于MFE的故障诊断方法进行了对比,结果验证了所提方法的有效性和优越性。     

基于分段线性分类器的滚动轴承的故障识别

为了解决滚动轴承的特征提取和故障特征的模式分类问题,提出了一种应用小波包变换和线性分类器相结合的滚动轴承故障诊断的识别方法。根据轴承振动信号的频域变化特征,首先对滚动轴承振动信号进行三层小波包分解,提取第三层各个终节点系数的能量作为特征向量,然后将特征向量输入由线性判别式构成的分段线性分类器中进行故障的模式分类和识别,最后在滚动轴承试验台上实测故障。试验表明,分段线性分类器可以有效地识别轴承的故障模式。     

A fault characteristics extraction method for rolling bearing with variable rotational speed using adaptive time-varying comb filtering and order tracking

The fault characteristics of rolling bearing with variable rotational speed are usually related to shafting speed and vary with time. Moreover, the rolling bearing fault characteristics are easily submerged by the noises. To address these issues, an adaptive time-varying comb filtering (ATVCF) method that combines the merits of comb filter and adaptive time-varying filtering (ATVF) is proposed and applied to extract the fault-related component from the envelope signal of rolling bearing. And on this basis, via the joint application of ATVCF and order tracking (OT), a fault characteristics extraction methodology for rolling bearing with variable rotational speed, namely ATVCF-OT, is developed. In the ATVCF-OT, the ATVCF method can adaptively extract time-varying harmonic components containing rolling bearing fault information from the rolling bearing fault vibration signal, and the OT analysis can effectively stabilize the time-varying rolling bearing fault features. Therefore, the ATVCF-OT methodology is particularly suitable for fault feature extraction of rolling bearing with variable rotational speed. Simulation and experimental results indicate that the ATVCF-OT method can effectively remove the fault-unrelated components and highlight the fault features of rolling bearing. The comparisons with the direct envelope order method and the ensemble empirical mode decomposition (EEMD)-based envelope order method demonstrate the advantages of the proposed ATVCF-OT method.

     

基于小波包和PSO-Elman神经网络的滚动轴承故障诊断

针对滚动轴承的故障诊断,分析滚动轴承故障机理及特点,提出基于小波包分析的滚动轴承振动信号的特征向量提取算法,并建立PSO-Elman神经网络进行故障诊断和识别。将滚动轴承故障振动信号进行小波包分解,构造频带能量谱作为特征向量,输入PSO-Elman神经网络对故障进行识别。试验结果表明,基于小波包分析和PSO-Elman神经网络相结合的方法可准确地实现滚动轴承的故障诊断。     

基于拉普拉斯分值和模糊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和故障征兆的模糊性,提出了基于拉普拉斯分值和模糊C均值（FCM）聚类的滚动轴承故障诊断方法。该方法首先在时域和频域对滚动轴承振动信号进行特征提取,组成初始特征向量;然后利用拉普拉斯分值进行特征选择,形成故障特征向量;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。应用实例和对比实验表明,该方法能有效提取滚动轴承振动信号特征,诊断滚动轴承故障。