电机滚动轴承故障诊断的新方法

基于希尔伯特变换解调原理，提出一种对电机滚动轴承振动信号进行包络处理的方法，它根据振动信号、解析信号和包络函数在频域上的关系来制定算法，并同时在频域上直接实现带通滤波，而不用在时域上对信号进行滤波。最后从包络谱中提取轴承故障特征信息，达到诊断电机滚动轴承故障的目的     

风力发电机轴承故障包络谱扫频分析诊断

为提升风力发电机轴承故障诊断的准确性和效率,本文提出了包络谱扫频分析法,该方法通过扫频,将包络谱中的振动信号变换到扫频谱,然后利用故障信号在包络谱中的形态特征过滤干扰频率,最终突显代表故障的周期性冲击信号,实现对风力发电机轴承故障的准确快速诊断。实际诊断结果表明,包络谱扫频分析法能够准确快速地诊断风力发电机轴承典型故障。该方法可作为传统故障诊断方法的有效补充,不仅适用于风力发电机轴承故障诊断,也适用于其他设备滚动轴承的故障诊断。     

基于MUSIC算法的感应电机轴承故障检测方法研究

分析了感应电机轴承发生故障时振动信号的特性以及MUSIC算法及其高分辨率谱估计的特点，提出了一种基于MUSIC算法的感应电动机轴承故障检测方法。结果表明，在短数据情况下，相对FFT分析技术，该方法频率分辨率更高，故障检测更为准确，且计算量小，有利于电机故障实时状态监测。实验证实，将该方法应用于感应电机轴承故障检测，可准确检测出轴承故障时在包络信号中的故障特征成分，方法切实可行。     

电机滚动轴承故障诊断的新方法

基于希尔伯特变换解调原理，提出一种对电机滚动轴承振动信号进行包络处理的方法，它根据振动信号，解析信号和包络函数在频域上的关系来制定算法，并同时在频域上直接实现带通滤波，而不用在时域上对信号进行滤波，最后从包络谱中提取轴承故障特征信息，达到诊断电机滚动轴承的目的。     

盲信号处理在感应电动机复合故障诊断中的应用研究

感应电动机定子短路和轴承故障一起发生时,由于故障机理不同,通常需要同时采集定子电流和振动信号才能进行有效诊断。研究了一种通过振动信号同时诊断两种故障的方法,以两种故障一起发生时的低频振动信号为研究对象,采用最小均方盲提取算法对故障信号进行提取,得到了信噪比提高的故障信号,做频谱分析后两种故障的特征频谱能够很好地分辨。通过实验平台模拟了定子相间短路和轴承外滚道缺损的复合故障,诊断结果表明该方法能够提取故障信号,减少噪声干扰,实现了利用振动信号对感应电动机复合故障的诊断。     

盲信号处理在感应电动机复合故障诊断中的应用研究

感应电动机定子短路和轴承故障一起发生时,由于故障机理不同,通常需要同时采集定子电流和振动信号才能进行有效诊断。研究了一种通过振动信号同时诊断两种故障的方法,以两种故障一起发生时的低频振动信号为研究对象,采用最小均方盲提取算法对故障信号进行提取,得到了信噪比提高的故障信号,做频谱分析后两种故障的特征频谱能够很好地分辨。通过实验平台模拟了定子相间短路和轴承外滚道缺损的复合故障,诊断结果表明该方法能够提取故障信号,减少噪声干扰,实现了利用振动信号对感应电动机复合故障的诊断。     

基于EEMD和Teager能量算子解调的故障诊断研究

针对电动机的滚动轴承故障问题,提出了基于EEMD和Teager能量算子解调的诊断新方法。首先利用EEMD算法对轴承故障信号进行分解,可以得到多个单分量信号,然后利用Teager能量算子解调方法对单分量信号进行包络解调运算,得到包络信号后计算出包络谱,并将轴承故障特征频率理论计算值与包络谱中峰值明显的谱线进行对比,从而对故障类型做出判断。通过对实验台模拟的滚动轴承内圈、外圈故障信号进行分析,验证了该方法的可靠性和工程实用性。     

基于决策融合的直驱风力发电机组轴承故障诊断

基于振动信号时域、频域和包络谱等多源特征,采用决策融合方法构建了直驱风力发电机组轴承故障诊断模型。对直驱风力发电机组主轴轴承经常发生的外圈故障、内圈故障、滚动体故障以及正常运行4种状态进行了实验研究。选取具有较高故障区分度,适合风电机组轴承故障诊断的特征参数。以风电机组振动信号的时域特征、频域特征和包络谱频域特征为诊断样本,使用灰色关联分析方法对机组轴承故障进行初步诊断,然后用证据融合理论对不同证据进行决策信息融合,从而获得最终诊断结果。实验结果表明,该方法能较好地识别风力发电机组轴承故障。     

运用人工神经网络诊断电机轴承故障

本文运用人工神经网络方法实现对滚动轴承故障的自动分类与诊断。文中给出了神经网络诊断系统的框图，电机滚动轴承振动信号经滤波和包络处理之后，采用ＲＮＮ网络对包络谱数据进行压缩处理，然后利用基于ＢＰ算法的前馈网络实现对轴承故障的自动分类和诊断。实验结果表明，这种诊断方法是行之有效的。     

风电机组发电机轴承电腐蚀故障的分析诊断

电腐蚀故障是风电机组发电机轴承的常见故障模式,电腐蚀故障通常分布在整个轴承滚道上,产生的振动响应信号中故障冲击特征往往不如局部故障明显,因此容易被忽视。针对电腐蚀故障振动信号的这种特点,采用一种最小熵解卷积方法对振动信号进行预处理,增强信号中的故障冲击成分。然后再应用包络谱分析方法提取故障特征信息,以提升故障诊断的效果。论述了最小熵解卷积方法的基本原理和实现流程,将该方法应用于一台实际风电机组发电机轴承的电腐蚀故障诊断中,通过对实测振动信号的分析处理,实现了电腐蚀故障的识别诊断,验证了最小熵解卷积方法对故障信息增强的使用效果。     

基于MVMD和全矢包络谱的滚动轴承故障诊断方法

为全面、准确地诊断滚动轴承故障,提出一种基于多元变分模态分解(MVMD)和全矢包络谱的滚动轴承故障诊断方法.首先,采用正交采样技术获取滚动轴承同一支撑处互相垂直方向上的振动信号,将其组成一个二元调制振荡信号.然后,运用MVMD从二元调制振荡信号中提取一组最佳的二元调制振荡信号,其对应的带宽之和最小.由于MVMD运用统一数学模型对2个方向的信号建模,可确保故障特征被分解到同一层,便于后续的信息融合.最后,运用Hilbert变换对每个二元调制振荡信号解调得到相应的包络信号,利用全矢谱融合2个方向的包络信号信息以得到全矢包络谱,进而诊断滚动轴承故障.仿真和试验结果证明了所提方法的可行性和有效性.     

基于集成经验模态分解和峭度准则的滚动轴承故障特征提取方法

为实现滚动轴承故障的精确诊断,提出一种基于集成经验模态分解(ensemble empirical mode decomposition,EEMD)与峭度准则的包络解调方法。该方法首先利用EEMD将振动信号分解,然后利用峭度最大准则选取EEMD分解后的本征模函数(intrinsic mode function,IMF),将该本征模函数进行包络解调从而获得滚动轴承的故障特征信息。该方法可以有效抑制经验模态分解(empirical mode decomposition,EMD)中的模态混叠问题,同时还避免了共振解调方法中中心频率及滤波频带的选取,具有良好的自适应性。利用该包络解调方法对实际滚动轴承发生内圈、外圈故障进行了分析,证明了该方法可以有效地提取滚动轴承故障特征信息,能够实现滚动轴承故障的精确诊断。     

基于复局部均值分解和复信号包络谱的滚动轴承故障诊断方法

提出了一种基于复局部均值分解(CLMD)和复信号包络谱(CSES)的滚动轴承故障诊断新方法。首先通过互相垂直安装的加速度传感器采集2个方向的振动信号,并将其组成一个复数信号;然后利用CLMD对二元复数信号进行自适应分解,将分解得到的复数信号的实部和虚部包络信号组成一个复包络信号,根据复傅里叶变换具有幅值增强和综合频率特性,直接对复包络信号进行复傅里叶变换,提取的故障特征频率更为清晰。通过滚动轴承不同位置的外圈故障实验,证明了所提方法能够实现故障特征增强,可用于诊断滚动轴承微弱故障和复合故障。     

基于 FastICA-BAS-MCKD 的滚动轴承 复合故障特征提取方法

针对强背景噪声下轴承复合故障特征难以分离提取的问题,提出了一种基于快速独立成分分析-天牛须-最大相关峭度 解卷积算法(FastICA-BAS-MCKD)的滚动轴承复合故障特征提取方法。 首先,引入 FastICA 对滚动轴承多通道故障信号进行盲 源分离;其次,利用 BAS 算法同步优化 MCKD 算法的解卷积周期 T、滤波器长度 L 和移位数 M,构建基于 BAS-MCKD 的滚动轴 承振动信号自适应分析方法;然后,应用 BAS-MCKD 方法处理分离后的信号,实现分离信号的降噪和特征增强;最后,应用希尔 伯特解调方法对 MCKD 处理后的信号进行包络谱分析,实现滚动轴承不同类型故障的识别。 仿真和实测信号的分析结果表 明,所提方法能清晰地从复合故障信号中提取出单一故障特征频率,为滚动轴承复合故障特征提取提供了一种有效的解决 方案。     

自适应VMD联合MOMEDA的滚动轴承故障提取

针对强背景噪声下滚动轴承微弱故障特征提取问题,提出了一种基于参数自适应优化变分模态分解(VMD)与多点最优最小熵解卷积(MOMEDA)相结合的轴承故障特征提取方法。首先对滚动轴承时域振动信号进行VMD分解,然后基于自相关函数脉冲谐波噪声比指标(AIHN)最大化原则进行挑选得到最佳模态分量(BIMF)并对其进行MOMEDA滤波,包络解调后得到故障特征频率,最后将本文所提方法体应用于数值仿真信号上可以明显观察到故障特征频率131.1Hz,应用于实际轴承故障信号可以有效识别轴承故障特征频率294.5Hz,与原始包络谱提取的311Hz以及MCKD提取的320Hz相比更加接近理论故障特征频率294Hz。     

Basic vibration signal processing for bearing fault detection

Faculty in the College of Engineering at the University of Alabama developed a multidisciplinary course in applied spectral analysis that was first offered in 1996. The course is aimed at juniors majoring in electrical, mechanical, industrial, or aerospace engineering. No background in signal processing or Fourier analysis is assumed; the requisite fundamentals are covered early in the course and followed by a series of laboratories in which the fundamental concepts are applied. In this paper, a laboratory module on fault detection in rolling element bearings is presented. This module is one of two laboratory modules focusing on machine condition monitoring applications that were developed for this course. Background on the basic operational characteristics of rolling element bearings is presented, and formulas given for the calculation of the characteristic fault frequencies. The shortcomings of conventional vibration spectral analysis for the detection of bearing faults is examined in the context of a synthetic vibration signal that students generate in MATLAB. This signal shares several key features of vibration signatures measured on bearing housings. Envelope analysis and the connection between bearing fault signatures and amplitude modulation/demodulation is explained. Finally, a graphically driven software utility (a set of MATLAB m-files) is introduced. This software allows students to explore envelope analysis using measured data or the synthetic signal that they generated. The software utility and the material presented in this paper constitute an instructional module on bearing fault detection that can be used as a stand-alone tutorial or incorporated into a course.     

基于滑动峭度法和Teager能量谱的滚动轴承故障诊断

针对滚动轴承故障诊断问题,提出一种基于滑动峭度法和Teager能量谱的滚动轴承故障特征提取方法。该方法首先对原始振动信号进行滑动峭度计算,获得一个反应冲击信号偏离高斯分布的峭度时间序列,然后通过计算该峭度时间序列的Teager能量谱识别轴承故障特征频率及其倍频成分。应用该方法分析了滚动轴承模拟信号和实测信号,准确诊断出滚动轴承元件故障,证明了该方法的有效性。     

基于经验模态分解和超球多类支持向量机的滚动轴承故障诊断方法

滚动轴承故障定位,特别是对其性能退化程度的诊断可以更有效地进行设备维护以降低停机率.提出了对滚动轴承不同故障位置及性能退化程度的非平稳振动信号进行特征提取和智能分类的故障诊断方法.该方法对各状态振动信号进行经验模态分解,得到一系列固有模态函数和一个残余分量.经验模态分解方法具有分解自适应性和分解唯一性.对每个固有模态函数建立自回归模型,分别采用Yule Walker和Ulrych-Clayton两种方法求得模型参数和残差方差,并以此作为各类状态信号的特征矩阵,输入到改进的超球多类支持向量机分类器,判断滚动轴承故障位置及性能退化程度.实验结果表明,提出的方法可同时实现滚动轴承故障位置及性能退化程度的智能诊断,且基于经验模态分解结合自回归模型的Ulrych-Clayton参数估计进行特征提取的诊断方法识别率更高.