基于振动信号的轴承游隙监测及应用

轴承游隙是保证轴承寿命,减小摩擦、振动、噪声,使负荷均匀分布的重要使用特性。轴承游隙调节不当会造成使用寿命的缩短,引起振动和噪声,进而造成设备严重损坏等。由于轴承运转过程中无法实现轴承游隙的直接测量,而振动监测是对机械设备进行状态监测和故障诊断最常用的监测方法。笔者通过建立轴承振动模型,分析轴承游隙不当的振动机理,实现了采用振动信号进行轴承游隙不当的监测。通过实例验证表明,在不停机的状态下采用振动监测可以有效地实现对轴承游隙的监测。     

基于电流信号的刀具磨损状态监测方法研究

为了降低因刀具失效而出现的工件报废和设备损坏的概率,进一步提高数控机床无故障运行效率,使用电流传感器采集变频器输入侧的电流,并利用三相畸变线电流计算其平均有效电流值。将平均有效电流值信号和传统RMS有效电流值信号分别进行时域、频域和时频域的分析,通过对比,验证本文所提出方法可以很好地对刀具磨损状态进行区分,证明其适用性。采用工控机主板、数据采集卡以及霍尔电流传感器等搭建硬件平台,以Qt作为软件开发框架,设计制作一套刀具磨损状态监测系统,并在数控加工中心进行试验验证。结果表明,所设计的监测系统能够在一定程度上反映刀具磨损状态并进行预警,该监测方法有效。     

大型重载滚动轴承的状态监测与故障诊断

分析研究了冶金及有色系统中大型重载低转速轴承的状态监测及故障早期诊断，根据这一类轴承的故障特点，提出了采用在系统共振频段上捕捉，分析轴承故障的冲击响应，进行故障的监测与早期预报，这一方法可应用于在线监测报警或离线诊断。     

基于小波分析与神经网络集成方法的轴承故障诊断研究

鉴于小波分析与BP神经网络在故障诊断中各自存在的局限性,提出基于小波-BP神经网络的轴承故障模式识别技术.采用具有良好时频局部特性的小波基函数替代传统BP网络的激励函数,从而构造小波-BP神经网络,并且对其进行训练,获得模式识别网络,再用新数据进行网络检验,仿真结果表明该方法实用有效.     

基于小波变换的故障信号检测

分析了小波变换的时频局部化特性及其于多分辨分析的信号小波的分解算法，研究了信号局部奇异性的小波变换下的特性；根据故障信号的局部奇异性在小波变换下模的极大植及其在不同尺度上的传播特性，对308型滚动轴承振动加速度故障信号进行分解，对故障特征信号进行时域定位，并提取了故障特征频率f=46.88Hz，这与实际的故障特征频率相近，说明该方法适用于滚动轴承的在线监测和故障诊断。     

用于机械状态监测的振动信号的非平稳建模

以往开发的绝大多数故障诊断算法基于数据的平稳性假设,没有考虑机械某一运转周期内的时间相关细节特征。本文针对特定对象强调了非平稳模型用于信号分析的必要性,讨论了模型的时变,耐不变算法及相应的特征提取、工况判断过程。本文引入正交变换,一方面实现了数据的大规模压缩,另一方面完成了代表正常工况的母体模型的建立;其次,借助于模式识别理论的相似性判据得到对多个特征定量监测的方法。一关于柱塞泵振动监测的实例说明了方法的应用过程。     

滚动轴承故障诊断中振动信号的采集

采用振动信号监测法对滚动轴承进行故障诊断的过程包含信号采集、特征提取、状态识别、故障分析和决策干预等五个基本环节,而最首要、最基本的环节就是信号采集.信号采集的准确性、合理性和实时性,直接影响着故障诊断的效果.介绍了滚动轴承故障诊断中振动信号采集的硬件实现.先通过压电式加速度传感器对振动信号进行拾取,然后经过电荷放大器及通过带滤波的A/D转换电路得到微机可以识别的数字信号,从而实现振动信号的采集.     

智能化滚动轴承状态监测

轴承,是机械设备的一种关键零件,整个设备的运行状态和使用性能都直接受其运行状态的影响。而轴承故障诊断系统性能的好坏又取决于它在轴承早期运行中的故障检测能力。滚动轴承运行状态的正常与否直接影响到整台机器的性能,滚动轴承的状态监测和故障诊断就显得格外重要。本文就常见轴承故障类型,以及常见轴承故障检测方法进行分析总结。     

EEMD-PE与M-RVM相结合的轴承故障诊断方法

滚动轴承振动信号中包含了大量轴承运行状态信息,但是由于振动信号具有非线性和非平稳性的特点,难以充分提取振动信号中的故障特征,导致现有基于模式识别的轴承故障诊断方法的故障识别准确率较低.为了提高滚动轴承故障识别的准确率,提出了一种基于集合经验模态分解-排列熵(EEMD-PE)特征提取与多分类相关向量机(M-RVM)相结合的轴承故障诊断方法.首先,该方法利用EEMD对非线性和非平稳信号的自适应分解能力,将轴承故障信号分解为一组包含故障特征的本征模态函数(IMFs).然后,利用排列熵提取由EEMD分解得到的IMFs中的故障特征,并组成特征向量.最后,采用EEMD-PE对不同故障状态下的训练样本集进行特征提取,组成特征向量集对M-RVM分类器进行建模,以概率输出的形式实现对滚动轴承的故障诊断.实验结果表明:EEMD-PE特征提取方法能够对滚动轴承振动信号的故障特征进行有效提取,M-RVM能够对故障滚动轴承振动信号包含的故障特征进行识别.与现有轴承故障诊断方法相比较,所提出的方法能够提高故障识别准确率,达到99.58%.     

小波包特征熵-神经网络在轴承故障诊断中的应用

提出了一种基于小波包特征熵-神经网络的轴承故障诊断新方法。首先对采集到的轴承的振动信号进行三层小波包分解,提取小波包特征熵,然后构造信号的小波包特征向量,并以此向量作为故障样本对三层BP神经网络进行训练,实现智能化故障诊断。仿真结果表明该方法有效可行。     

Matlab在货车滚动轴承故障诊断中的应用

在机械故障咨询诊断中,对采集到的信号如何进行分析与处理,以及如何通过计算机实现,是决定故障智能诊断成败的关键,以铁路货车滚动轴承352226X2-2Z故障诊断为例,介绍了Matlab语言在其关键技术——小波滤波、功率谱以及智能诊断程序的编程应用,结果表明,该语言具有编程简单、功能强大等特点,有着广泛的应用前景.     

基于V-detector算法的滚动轴承故障诊断方法

针对实值阴性选择(RNS)算法的检测器尺寸不能自适应变化的问题,提出基于变检测半径的RNS算法(V detector)的轴承故障诊断方法.将计算轴承振动信号局域波分解后各基本模式分量的关联维数作为特征向量,并根据故障模式将其划分为多个自体样本集,采用V detector算法训练多个检测器集,用其对轴承故障进行诊断.结果表明：自体半径过小则误诊率高,自体半径过大则检测器灵敏度低,这都将导致准确率减小;覆盖率越高,则准确率越高、计算花费越大,当覆盖率≥95%时,覆盖率对准确率的影响远小于其对计算花费的影响;相对于基于RNS的诊断方法,V detector算法具有同样高的准确率,且计算花费显著减小、稳定性更高,可有效地识别轴承故障.     

气液两相流体润滑技术在滚动轴承中的试验研究

介绍了一种新型的润滑技术———气液两相流体润滑,对该润滑技术在滚动轴承中的应用进行了试验研究,证明气液两相流体润滑在高速、超高速滚动轴承的应用中具有良好的性能,并将油气润滑与油雾润滑作了对比.     

轴承故障诊断中特征选取技术

针对轴承故障诊断建模中如何通过筛选有效特征提高模型诊断准确率的问题,提出一种新的特征选取方法。在计算所得特征集合中,利用诊断模型直接对特征进行判断,将高于阈值的诊断准确率对应的特征(组合)选取为显著特征,以显著特征导向选取方式,找到候选特征集合中维度低、诊断准确率高的特征。试验结果表明,本研究提出的方法可筛选出有效特征,降低模型参数、减少样本需求量、提高模型准确率,提升了故障诊断的效率。     

滚动轴承振动故障时频域分析方法综述

滚动轴承是旋转机械的关键部件。工作原理与工作环境决定了其具有易损、易耗特点。对其进行故障识别与诊断是保证设备运行安全可靠的必要手段。在工程应用中,轴承复合故障发生率高于单一故障,且特征识别较为困难。文章面向基于振动信号的滚动轴承复合故障诊断领域,按照传统诊断、智能诊断分类,从算法历程、基本原理、应用效果、算法优缺点等角度,对各种诊断方法进行了论述和分析,对轴承复合故障诊断方法的研究趋势进行展望。

     

基于形态小波和S变换的滚动轴承故障特征提取

针对传统小波在强背景噪声中提取冲击故障特征的不足,提出基于极大提升形态小波(MLMW)分析和S变换的滚动轴承故障特征提取方法.先利用MLMW变换将信号分解到不同形态尺度上,各尺度信号上保留着信号局部极值形态特征,对细节信号进行软阈值降噪处理,再从重构信号的具有良好时频聚焦性的S变换谱上提取故障特征.试验结果表明,MLMW既抑制了噪声和谐波分量,又显著强化了故障特征;相比传统小波和包络分析,能清晰地提取非平稳非线性故障特征.由于MLMW采用简单的形态算子和高效的提升方法,计算简单高效,适于故障特征的在线分析.     

矿用通风机滚动轴承振动故障诊断研究

针对矿用通风机振动故障诊断中的特征提取问题,将小波包和希尔伯特变换相结合用于通风机滚动轴承的故障诊断,工程应用实例表明,通过该方法能有效提取出通风机滚动轴承内圈故障特征频率,诊断出滚动轴承的内圈故障,另外还可诊断出通风机存在轴系不对中故障,实现了通风机的精密故障诊断．     

基于自适应滤波的滚动轴承故障诊断研究

针对固有频率未知的滚动轴承故障诊断问题，提出了一种基于经验模态分解的自适应滤波方法。讨论了经验模态分解方法及其在获取固有模态函数过程中的自适应滤波特性。通过对滚动轴承故障振动信号进行经验模态分解得到固有模态函数，运用希尔伯特变换解调固有模态函数得到包络幅频图，获取滚动轴承故障特征频率，进而确定滚动轴承的故障位置。应用该方法对仿真和实际数据进行了分析，并与冲击脉冲法作了比较。结果表明，基于经验模态分解自适应滤波的滚动轴承振动信号解调方法能够更有效地突出故障特征频率成分，避免误诊断。