滚动轴承早期缺陷振动的简化模型

建立了滚动轴承早期缺陷振动的线性简化模型,依据该模型分析了滚动轴承早期缺陷引起振动的特性。理论分析和实际测量表明:滚动轴承早期缺陷激励出轴承的固有振动,产生了脉冲冲击波;非周期早期缺陷振动为正常振动信号叠加一个或几个离散脉冲冲击波,产生垃圾音,周期早期缺陷振动为正常振动信号叠加一串串周期脉冲冲击波,产生内圈伤音、外圈伤音或滚动体伤音;脉冲冲击波是滚动轴承早期缺陷引起的异常声的主要原因。     

考虑渐进变形和润滑剂的滚动轴承外圈单点故障动力学模型

针对传统滚动轴承模型将外圈局部损伤视为矩形缺口,滚动体与损伤接触瞬间产生变形且变形量恒等于故障高度的问题,将故障视为圆弧形缺口,接触变形量随滚动体进入故障内的程度而变化,并在考虑润滑剂影响的基础上建立了外圈单点故障的滚动轴承动力学渐进模型。以SKF6205轴承为例进行仿真分析,结果表明,外圈单点故障滚动轴承振动信号中的低频段为故障的特征频率及其倍频,渐进模型的幅值更大,能够更好地反映故障信息。另外,所提出模型的分析结果与西储大学轴承试验数据之间的误差不大于0.82%,证明了模型的正确性。     

振动机械滚动轴承单点点蚀故障动力学研究北大核心

针对振动机械滚动轴承内、外圈单点点蚀故障,通过分析轴承工作状况及钢球通过缺陷时接触变形量和弹性接触力的变化,建立了振动机械轴承内、外圈单点点蚀故障的动力学模型,并通过数值仿真得到了振动机械轴承内、外圈单点点蚀故障频谱。以振动筛为载体进行试验研究,验证了理论模型的正确性及有效性。理论分析与试验结果一致表明:振动机械轴承外圈单点点蚀故障时的故障包络谱中有较为明显的调制现象,内圈单点点蚀故障时的包络谱有轻微的调制现象,与旋转机械轴承内外圈单点点蚀故障谱有明显的区别。     

振动机械滚动轴承单点点蚀故障动力学研究

针对振动机械滚动轴承内、外圈单点点蚀故障,通过分析轴承工作状况及钢球通过缺陷时接触变形量和弹性接触力的变化,建立了振动机械轴承内、外圈单点点蚀故障的动力学模型,并通过数值仿真得到了振动机械轴承内、外圈单点点蚀故障频谱。以振动筛为载体进行试验研究,验证了理论模型的正确性及有效性。理论分析与试验结果一致表明:振动机械轴承外圈单点点蚀故障时的故障包络谱中有较为明显的调制现象,内圈单点点蚀故障时的包络谱有轻微的调制现象,与旋转机械轴承内外圈单点点蚀故障谱有明显的区别。     

基于S变换与奇异值中值分解的滚动轴承故障诊断

为了有效地提取出滚动轴承故障信号的冲击特征,提出了一种基于S变换时频谱和奇异值中值分解(SVMD)算法的滚动轴承故障诊断方法。首先,利用S变换对滚动轴承原始振动信号进行了时频变换,得到了其时频系数矩阵,通过SVMD对时频系数矩阵进行了计算,筛选出合适的奇异值用以降噪;然后,通过仿真的方式,对结果进行了S逆变换,以获得信号的时域冲击特征;最后,以滚动轴承(型号N205)外圈、滚动体故障为例,进行了故障信号冲击特征提取实验,通过对轴承的外圈和滚动体故障数据分析处理,对基于ST-SVMD算法的有效性进行了验证。研究结果表明：通过采用基于ST-SVMD算法,得到了滚动轴承外圈的故障频率,该频率与该型号轴承特征频率基本一致;基于ST-SVMD算法,得到了滚动轴承滚动体的故障频率,该频率与该型号轴承特征频率基本一致;该结果证明,基于ST-SVMD算法在滚动轴承故障信号冲击特征的提取方面是有效的。     

稀疏自编码深度神经网络及其在滚动轴承故障诊断中的应用

针对目前滚动轴承故障诊断主要采用监督式学习提取故障特征的现状,提出了一种基于稀疏自编码的深度神经网络,实现非监督学习自动提取滚动轴承振动信号的内在特征用于滚动轴承故障诊断。首先,将轴承故障振动信号的频谱训练稀疏自编码获得参数;然后用稀疏自编码获得的参数和轴承振动信号频谱的频谱训练深度神经网络,并结合反向传播算法对深度神经网络进行整体微调提高分类准确度;最后用训练好的深度神经网络来识别滚动轴承故障。对正常轴承、外圈点蚀故障、内圈点蚀故障和滚动体裂纹故障振动信号的分析结果表明:相比反向传播神经网络,提出的深度神经网络更能准确的识别滚动轴承故障类型。     

基于独立分量分析和相关向量机的轴承故障诊断研究

提出了将独立分量分析(ICA)与相关向量机(RVM)两者结合进行滚动轴承故障诊断的方法。在设计的系统平台上,首先对轴承振动测试信号进行预处理,以使其能较好地满足ICA的前提条件,再应用独立分量快速算法(Fast ICA)分离轴承状态信号并提取特征向量,然后,应用相关向量机做为故障分类器实现轴承故障状态识别。对6206普通球轴承在正常状态和内圈、外圈、滚动体故障状态所进行的故障诊断实验表明,该方法能够准确、有效地对滚动轴承故障进行识别。     

滚动轴承非线性时变参数动力学模型与故障机理研究

基于滚动轴承故障动力学模型研究其振动特性及故障机理是实现轴承故障准确诊断的基础。为描述滚动轴承缺陷对其振动响应特性的影响,考虑滚动体与缺陷的相对几何关系,提出了时变接触变形与时变刚度耦合的滚动轴承故障非线性动力学模型。以NSK6205深沟球轴承为对象,通过建立6+N_b自由度非线性时变参数动力学模型,分析了滚动体通过外圈缺陷区域时接触变形、接触刚度以及振动响应的变化过程,得到了不同缺陷尺寸下滚动轴承故障冲击振动响应特征变化规律。理论分析和实验研究结果表明,随着缺陷尺寸的增加,滚动轴承故障振动响应产生由双冲击到多冲击的变化特征,不同缺陷尺寸下,滚动体进入和离开缺陷过程中产生的冲击响应明显不同。研究成果为基于振动信号实现滚动轴承故障尺寸判断提供了理论依据。     

电机轴承故障的自组织神经网络可视化诊断

滚动轴承是电机的重要部件,及时、准确地对其进行故障诊断是电机安全运行的重要保障。针对滚动轴承常见的状态,包括正常、内圈轻微故障、滚动体轻微故障、外圈轻微故障、内圈中等故障、滚动体中等故障、外圈中等故障等七种情况,基于自组织神经网络,提出了电机轴承故障诊断的可视化方法。首先对采集到的振动信号进行特征提取,然后构建自组织神经网络,经过训练后,利用测试数据对诊断模型进行了测试,试验结果验证了所提方法的有效性。     

起重机用滚动轴承有限元分析及故障检测

针对起重机用滚动轴承故障率高且难以检测的问题,首先采用Ansys软件对起重机用滚动轴承进行基于实际接触状态的有限元分析,然后采用基于小波包能量法和Hilbert变换方法对滚动轴承进行信号处理、分析以及故障检测。结果表明:滚动轴承的滚动体与内外圈接触部位存在较大应力集中,最易在此处首先发生破坏;根据轴承故障特征频率与内圈、外圈、滚动体三种故障类型所对应的频谱特征和能量谱相比较,可有效判断轴承故障类型。研究所采用的检测方法可为起重机用滚动轴承的故障预防和检测提供一定理论依据和指导作用。     

机械零件失效分析讲座：第5讲 滚动轴承失效分析

一、滚动轴承的失效和失效形式 在机器中,用得最多的轴承是滚动轴承。滚动轴承一般由内圈、外圈、滚动体和保持架组成。滚动体是滚动轴承区别于滑动轴承的核心元件。滚动体在内外圈的滚道上滚动时,其接触处的周期性接触应力可以很大,有时可达到5000MPa。因此易于产生表面疲劳现象。滚动轴承属于点接触或线接触的运动副,因此要求有良好的润滑条件,否则易产     

滚动轴承故障程度识别与诊断研究

通过滚动轴承模拟故障试验台,获取了滚动轴承外圈、内圈和滚动体不同剥落程度时的振动信号,并对故障程度的识别与诊断进行了探索.采用经验模态分解方法对轴承信号进行分解,得到其固有模态分量,然后将前8阶分量的有效值作为特征向量输入BP神经网络,进行故障程度识别与诊断,滚动轴承3种类型不同程度的故障被准确地区分出来.     

冲击脉冲法在齿轮箱轴承故障诊断中的应用

旋转机械在煤矿生产中占有重要位置,而轴承的好坏直接影响旋转机械的运行状态。为了广泛应用并推广轴承故障诊断技术,我们应用CMJ-l冲击脉冲计对皮带输送机齿轮箱滚动轴承进行了故障诊断。 一、监测原理及仪器改进 滚动轴承在运行过程中由于各种原因会出现点蚀、剥落、擦伤和裂纹等元件工作表面损伤类故障。对此类故障,目前国内外普遍采用共振解调法进行诊断,其技术关键是设计一谐振频率远高于轴承正常振动频率及有限高次谐波频率的电谐振器,使之能有效地抑制包括正常振动信号在内的低频信号,并使滚动体滚过轴承表面故障点时产生的高频冲击波激励谐振器产生共振,从而输出一与谐振频率同频的减幅振荡信     

基于递归复杂网络的滚动轴承故障诊断

针对滚动轴承振动信号的非线性、非平稳的特征,提出了一种基于递归复杂网络(recurrence complex network,简称RCN)的轴承故障诊断方法。首先,利用相空间重构的理论将一维时间序列扩展到高维相空间中,构建递归矩阵;然后,研究了基于递归思想的定量递归分析方法;最后,采用递归复杂网络的方法提取故障轴承振动信号的非线性特征参数,对轴承正常状态、内圈故障、滚动体故障和外圈故障振动信号进行分析。研究结果表明,RCN方法可以对滚动轴承故障进行较为准确的诊断,与传统方法相比具有较好的诊断效果。     

滚动轴承点蚀故障动力学建模与仿真

轴承是机械传动系统中最关键也是最易发生故障的部位之一,准确的识别其故障是实现设备稳定运行的关键。综合考虑油膜和滚动体滑动等非线性因素,建立了包含局部故障的滚动轴承系统五自由度动力学模型,提出了一种改进的点蚀故障模型,并对不同故障参数对应的模型进行了分析。仿真了内圈和外圈含点蚀故障时的系统振动信号并分析了相应的故障特征。通过仿真信号和实验信号的对比分析,验证了所建模型的正确性,为实现轴承故障的早期诊断提供了帮助。     

基于边带相关算法和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,提出了一种基于边带相关算法和Hilbert包络谱的滚动轴承故障诊断新方法。通过对滚动轴承产生振动的模型进行分析,可以将振动信号看成为多个调制信号的叠加,而边带相关算法可以在频谱图基础上找出调制性最强的频率区间,然后进行带通滤波得到此频率区间内的时域信号,最后对其进行Hilbert包络并进行谱分析,最终能得到调制信号中调制频率的大小。利用滚动轴承实验取得的振动信号进行分析验证,可以在滚动轴承具有外圈、内圈、滚动体缺陷的情况下的振动信号找出调制频率,有效地提取故障特征。结果表明该方法能够准确地识别和诊断出滚动轴承的故障部位和类型。     

基于形态差值滤波和差分熵的滚动轴承故障诊断

针对滚动轴承内外圈的早期故障,提出了一种新的诊断方法,该方法融合了数学形态学对非线性信号的滤波和信息熵理论在信号表征方面的优越性。首先,利用数学形态差值滤波器对实测的轴承内外圈轻重损伤的故障信号进行消噪处理,充分突出了有用的故障特征信息;然后,利用差分熵提取该信号中的突变特征信息,对其进行不确定性和复杂性度量;最后,根据突变点的冲击时间间隔和内外圈故障周期性冲击的时间间隔一致的思想来完成对滚动轴承的故障诊断。通过对仿真信号和滚动轴承实测内外圈两种故障程度的振动信号的诊断分析,证明该方法能够很好地识别轴承内外圈早期故障的类型,且具有很高的准确率。     

最小熵解卷积在滚动轴承早期故障诊断中的应用

滚动轴承发生早期故障时,轴承座的振动信号一般很微弱,且隐含的冲击成分常被淹没在强烈的噪声中,直接做频谱或包络谱分析,其故障特征很难提取。最小熵解卷积方法可以提高被分析信号的信噪比,突出隐含在故障信号中的脉冲成分。应用最小解卷积方法对滚动轴承滚动体、外圈和内圈三类典型早期故障信号进行了相应的解卷积滤波,然后进行幅值谱和包络解调分析,提取出了相应的典型故障特征。应用验证了最小熵解卷积方法在滚动轴承早期故障诊断中的有效性和优点。     

不平衡影响下外圈故障滚动轴承振动特征研究

在外圈具有单一缺陷滚动轴承二自由度动力学模型基础上,引入不平衡激励,建立不平衡影响下外圈具有单一缺陷的滚动轴承的动力学模型。通过数值计算,分析了不平衡对外圈具有单一局部故障滚动轴承振动特征的影响。结果表明,当不平衡载荷远小于径向载荷时,外圈缺陷轴承的振动特征变化不明显,其特征频率为滚动体通过外圈故障的振动频率及其倍频。当不平衡载荷逐渐增大至接近径向载荷时,轴承的振动出现了调制现象,其特征频率为轴的旋转频率、滚动体通过外圈的频率以及它们形成的边频。     

一种ELMD模糊熵和GK聚类的轴承故障诊断方法

针对滚动轴承故障振动信号的非平稳、非线性特性,采用一种基于总体局部均值分解(Ensemble Local Mean Decomposition,ELMD)模糊熵和GK(Gustafson-Kessell)聚类的滚动轴承故障诊断方法。首先通过对滚动轴承故障振动信号进行ELMD分解,得到若干的乘积函数(Product Function,PF)分量和一个残差。然后,通过PF分量和原始轴承故障信号的相关性分析,选取与原始信号相关性最大的PF分量,并求取PF分量的模糊熵值作为特征向量。最终,通过GK聚类对所得的特征向量进行识别分类。通过对滚动轴承正常状态、内圈故障、滚动体故障和外圈故障的轴承四种状态分析表明,基于ELMD模糊熵和GK聚类的方法能够准确有效的对轴承故障状态进行分类识别。