一种基于对角切片高阶谱的故障识别方法

针对轴承故障信号中调制信号二次相位耦合的特点,提出了一种基于对角切片高阶谱的故障识别方法。该方法利用希尔伯特变换构造原始信号的解析信号,在高阶谱分析的基础上求其对角切片谱,可以有效地分析二次相位耦合引起的非线性信号。通过理论分析和轴承故障诊断实例,表明该方法可以有效地抑制噪声,提取振动信号的非线性特征,完成对轴承外圈故障和内圈故障特征的识别。     

基于ITD和切片双谱的滚动轴承局部损伤故障诊断

针对滚动轴承局部损伤故障诊断问题,提出一种基于本征时间尺度分解(ITD)和切片双谱的故障诊断方法。首先利用ITD方法将轴承故障信号分解为若干个合理旋转(PR)分量,然后对PR分量进行包络解调,并计算其切片双谱,提取轴承故障信号由于二次相位耦合产生的非线性特征,确定轴承故障类型。为加快分解速度并减少分解运算量,对ITD方法迭代终止条件进行改进。对仿真信号的分析表明,ITD方法对信噪比较低的信号具有很好的分解效果,并验证了切片双谱在抑制噪声和剔除非二次相位耦合谐波方面的优势。     

基于改进灰色关联度分析的供应商评价方法

供应商选择是一个包含定性因素和定量因素的多目标评价问题，很难用精确的方法来求解。本文针对供应商选择时存在信息不充分现象，提出了利用改进的灰色关联度分析法进行供应商选择的评价方法。该方法在用熵权法确定权重的基础上，充分利用了信息的灰色特性。通过算例分析，该方法计算过程简单方便，结果直观可靠，是多因子综合评价较好的方法。     

基于EMD-AR模型和灰色关联度的滚动轴承故障诊断

提出了一种新的滚动轴承故障诊断方法:模型灰色识别法(EMD-AR).首先对振动信号进行经验模式EMD分解,然后重新组合基本模式分量IMF,依重组分量建立AR模型,将模型自回归参数和模型的残差方差σ组成特征向量,利用灰色关联度作为模式识别的方法,实现了对滚动轴承的精密诊断.     

滚动轴承不同损伤程度振动特征实验研究

轴承是各类机械设备广泛使用的支撑构件,它的状态决定着机械设备的运行周期。振动是实现轴承状态监测的主要手段,轴承出现故障时,通过振动信号分析可以确定故障部位,同时不同的损伤程度也会造成信号特征的变化。通过模拟实验研究轴承不同损伤程度下的信号特征变化规律,进而指导实际故障诊断过程中轴承损伤程度的识别。首先,预置滚动轴承内圈、外圈及滚动体不同程度的损伤;然后,开展不同损伤程度的故障模拟实验;最后,利用包络解调方法分析不同损伤程度下的实验数据,总结振动信号变化规律及特点。     

基于灰色关联度分析法的晋北地区芸豆品种评价

用灰色关联度分析法对14个芸豆新品种进行了综合评价,结果表明,芸豆不同性状对产量的关联度大小依次为：单株荚数>主茎分枝数>荚粒数>百粒质量>主茎节数>株高>生育期>荚长。参试的芸豆新品种毕芸19-2、ZYD19-03和毕芸19-1,这3个品种综合性状表现最好,等权关联度和加权关联度一致,适宜在晋北地区推广应用。     

基于LMD和灰色关联度的故障诊断方法研究

针对高压隔膜泵单向阀故障振动信号的非平稳特性,提出基于局部均值分解法(LMD)和灰色关联度理论相结合的故障诊断方法。首先,利用LMD将高压隔膜泵单向阀不同运行状态下的振动信号分解成多个乘积函数。然后,计算所有乘积函数的互相关系数,并从中选择互相关程度高的乘积函数来提取相应的特征向量。最后,引入灰色关联度理论,构建单向阀故障诊断识别模型,并与基于经验模态分解法(EMD)以及基于混合特征建模、单一特征建模得到的结果进行了对比分析。实验表明,所提出的方法可以较好地分解单向阀故障信号,并有效地识别了小样本条件下的单向阀故障信号。     

一种基于时频峭度谱的滚动轴承损伤诊断方法

为了准确地提取滚动轴承损伤特征频率,提出一种基于频率切片小波变换的时频峭度谱分析方法。采用频率切片小波变换对振动信号进行时频分解,求取与各个频率分量对应的幅值峭度,由幅值峭度序列构造信号的时频峭度谱。以时频峭度谱的若干个较大谱峰对应的频率作为中心频率,确定相应的共振频带,并在时频空间选择时频切片,然后采用重构分离出这些信号分量,并用包络解调获取重构信号的包络。在此基础上,通过包络信号的等效功率谱确定滚动轴承的损伤特征频率。试验证明,这种方法可以有效地提取滚动轴承的特征频率,由于采用了多个频带保证了足够多的信号能量可用于包络分析,当轴承存在多种损伤时,也可以有效地鉴别不同损伤特征频率。     

滚动轴承振动与加工质量的灰色理论分析

运用灰色理论的广义关联度概念分析了滚动轴承的振动与加工质量各因素之间的关系.结果表明:宏观尺寸误差参数对轴承振动的影响比较大,宏观形状误差参数和微观形貌参数已达到比较高的质量水平,对轴承振动的影响比较小.而轴承的宏观尺寸参数及其公差在设计方法上存在一些问题,是影响轴承振动的主要因素.     

基于LMD和灰色相似关联度的轴承故障诊断方法

针对轴承故障振动信号的非线性、非平稳特点及振动信号的强噪声背景,提出一种基于局部均值分解(Local Mean Decomposition,LMD)和灰色相似关联度的轴承故障诊断方法。首先对信号进行局部均值分解,得到若干个PF(Product function,简称PF)分量,再选取包含主要故障信息的PF分量进一步分析,并提取特征向量,然后通过计算标准故障模式与待识别样本的灰色相似关联度对轴承故障类型进行判断。利用该方法对试验轴承故障振动信号进行了分析,结果表明,基于LMD和灰色相似关联度方法能够有效地识别轴承运行状态,实现对轴承的故障诊断。     

基于信噪比与灰关联度的电火花微小孔加工工艺参数的优化

在正交试验的基础上,采用参数设计中的信噪比方法,更加准确地反映具有强干扰特性的电火花微细加工过程中参数对加工工艺目标的影响程度,分析出各项参数对工艺指标影响的主次关系。以减小工艺性能的波动性为目的,结合灰色关联度分析方法,将多目标参数优化问题转化为单目标灰关联度的优化问题,得到电火花微小孔加工的多项工艺指标要求下的参数优化组合。综合试验结果表明,基于信噪比和灰关联度的优化方法能有效地提高微细电火花的加工精度、加工效率和加工稳定性。     

基于EMD与功率谱分析的滚动轴承故障诊断方法研究

针对西部油田大型设备故障信号的非线性、非平稳特征,提出一种基于经验模态分解方法EMD（empirical mode decomposition）和功率谱的分析方法。首先对滚动轴承振动信号进行经验模态分解,然后对分解后包含轴承故障特征信息的固有模态函数分量作功率谱分析,得到各分量的功率谱图,清晰直观显示出故障特征信号的功率谱,从混有背景信号和噪声的振动信号中提取轴承故障信息。由于EMD方法具有自适应特性,适宜于非线性、非平稳信号的分解,该方法应用于滚动轴承的故障振动信号分析中,结果表明,该方法能够突出滚动轴承振动信号的故障特征,从而提高滚动轴承故障诊断的准确性。     

基于EEMD分解和奇异值差分谱理论的轴承故障诊断研究

提出一种基于总体平均经验模态分解(ensemble empirical mode decomposition,EEMD)和奇异值差分谱的轴承故障诊断方法。首先将非平稳的原始轴承振动信号通过EEMD方法分解成若干个平稳的本征模函数(intrinsic modefunction,IMF);由于背景噪声的影响,从各个IMF的频谱中难以准确地得到故障频率。对IMF分量构建Hankel矩阵,并进行奇异值分解,进一步找到奇异值差分谱,根据奇异值差分谱理论对某IMF分量进行消噪和重构,然后再求其频谱,便能准确地得到故障频率。实验结果表明,所提出的方法能有效地应用于轴承的故障诊断。     

滚动轴承弹性接触动态特性有限元分析

滚动轴承弹性滚动接触动态特性直接影响转子系统的精度及动态特性,针对滚动轴承弹性滚动接触动态特性问题,以深沟球轴承61914为例,在同时考虑内环、外环、滚珠及保持架变形的情况下,建立滚动轴承三维弹性滚动接触有限元模型,采用有限单元法计算滚动轴承在不同转速、径向力及轴向力等载荷工况下滚动轴承的接触应力及滚珠与内环的运动状态。结果表明,有限单元法能在满足高精度计算的情况下求解各种复杂工况下的滚动轴承动力学特性,为进一步研究滚动轴承弹性滚动接触动态特性提供有力的研究方法。     

基于改进CEEMDAN和优化重构的轴承故障特征提取研究

滚动轴承作为旋转设备的关键部件,其性能严重影响设备的运行安全。由于设备工况复杂,反映轴承的故障特征的冲击成分往往被噪声信号所淹没,导致无法有效的提取故障特征。为了更准确的获取滚动轴承的故障信息特征,本文提出一种基于改进的自适应噪声完整集合模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)和峭度指标的特征提取方法。首先,利用改进的CEEMDAN方法对分解过程中的各段信号添加自适应白噪声,计算唯一的余量来获得各个固有模态函数(intrinsic mode function),与EEMD(ensemble empirical mode decomposition)相比,其分解过程完整。其次,计算各IMF分量的峭度指标,筛选重构IMF分量集,然后利用重构信号峭度最优指标筛选出最合适的重构信号,最后,通过包络解调获得轴承故障特征。结果表明,该方法具有更好的分解效果,自适应性好,可以更好的抑制噪声,提取轴承故障的冲击成分。     

以R6为基础的概率安全等级评定技术和方法

综合考虑材料、缺陷和应力的有机联系,并考虑R6安全评定参数的不确定性,提出以失效率为指标进行概率安全等级评定的思路;选择第二水平法计算失效率,并提出收敛速度快、精 度高的“三阶段法”对复杂目标函数进行数学规划,解决了将Ｒ６概率化的技术关键;结合压 力管道,推荐了概率安全等级评定方法。     

基于LCD和GMM-VPMCD混合模型的滚动轴承退化状态识别

滚动轴承退化状态识别的关键在于特征提取和模式识别,局部特征尺度分解(local characteristic-scale decomposition,LCD)方法是一种新的时频分析方法,非常适用于滚动轴承振动信号的特征提取。基于变量预测模型的模式识别(Variable predictive model based class discriminate,VPMCD)方法是一种利用特征值之间的相互关系进行分类的模式识别方法,可以用于滚动轴承的退化状态识别。将LCD、VPMCD和高斯混合模型(Gaussain mixture model,GMM)相结合,提出了基于LCD和GMM-VPMCD混合模型的滚动轴承退化状态识别方法,首先对滚动轴承全寿命数据进行LCD分解并提取分量的特征值,然后利用GMM对全寿命数据的特征值进行聚类,将全寿命数据在时域上分成若干个退化状态,最后建立VPMCD模型并对测试数据进行分类,从而实现滚动轴承的退化状态识别。实验数据的分析结果表明,基于LCD的GMM-VPMCD混合模型可以有效实现滚动轴承的退化状态识别。     

基于极值点概率密度和听觉模型的滚动轴承瞬态冲击信号提取方法研究

滚动轴承故障的一个重要特点是故障元件会诱发冲击响应振动成分,针对滚动轴承故障振动信号的调制特征和传统分析方法的复杂性,提出了一种基于极值点概率密度和听觉模型的滚动轴承故障特征提取方法。该方法首先使用Gammatone滤波器对滚动轴承故障信号进行带通滤波,相位调整,然后提取每个滤波通道的极值点,计算其概率密度函数并对其求导,通过导数中是否存在向上过零点判断是否存在瞬态冲击成分,继而提取相关的极值点,最后累加提取相关瞬态成分。考虑到滚动轴承振动信号中冲击成分在不同时刻振幅大小不同,分段对信号做处理,能够提取到因振幅较小而被忽略掉的冲击成分。将该方法应用到某型号线切割机床滚动轴承实测振动信号中,实验结果表明该方法能有效提取到滚动轴承故障信号中的瞬态冲击成分。     

滚动轴承磨损问题的研究及展望

减少滚动轴承工作中的磨损、延长其在工业生产中的使用寿命具有至关重要的意义。综述了滚动轴承磨损问题的基本类型,国内外对滚动轴承磨损的研究历程,滚动轴承磨损的实验研究、数值仿真研究方法,系统介绍了工程中对失效滚动轴承的分析方法及实际生产中常用的修复方法并对滚动轴承磨损问题的发展趋势及其需要进一步研究的几个方面进行了展望。