基于多尺度熵与SOM神经网络的滚动轴承故障识别

滚动轴承故障识别是实现视情维修的基础。针对滚动轴承出现故障时振动信号表现出的非平稳性和非线性,提出了一种基于多尺度熵(Multi-scale Entropy, MSE)和自组织特征映射(Self-organizing Feature Maps, SOM)神经网络的滚动轴承故障识别方法。该方法通过提取滚动轴承振动信号中不同故障状态下的MSE作为SOM神经网络的输入,通过SOM神经网络进行识别,得出轴承的不同故障及故障程度。通过实验表明提出的方法能有效地实现滚动轴承故障类型以及故障程度的智能识别。     

基于多尺度形态学与奇异值分解的滚动轴承故障特征提取

针对多尺度形态差值滤波存在的问题,将多尺度形态差值算子与奇异值差分谱理论相结合,提出了一种新的滚动轴承故障特征提取方法,能有效滤除噪声,并提取出信号中的故障信息。借助特征能量比的概念,在多尺度形态差值滤波中,提出并分析了两种不同的多尺度加权方法,同时对不同最大分析尺度下多尺度形态差值滤波的结果进行了研究。然后利用奇异值差分谱理论对未能有效滤除高斯噪声的形态差值滤波结果进行SVD重构,得到最终的特征提取结果。仿真表明该方法能在高噪声背景下有效提取出脉冲冲击信号,并在实测轴承故障信号特征提取中得到了验证。     

基于Modet小波的滚动轴承故障信号奇异性分析

针对滚动轴承故障信号分析中单一频域表征的问题，提出了将Morlet连续小波变换应用于故障信号奇异性提取和分析的新方法。在分析了滚动轴承故障信号的奇异性特征和奇异性信号小波检测机理的基础上，将Morlet连续小波用于对滚动轴承故障信息的提取与分析。试验证明，该方案能有效地对滚动轴承故障信号在时间和尺度平面进行分析，可以同时表征奇异性信号的时间和频率信息。     

基于SK-MOMEDA的滚动轴承微弱故障特征提取

针对滚动轴承早期周期性瞬态冲击不明显及谱峭度在低信噪比情况下分析效果差的问题,提出多点优化最小熵解卷积(Multipoint optimal minimum entropy deconvolution adjusted,MOMEDA)和谱峭度相结合的轴承微弱故障特征提取方法.首先,采用MOMEDA作为前置滤波器对含有强...     

滚动轴承外圈多点故障特征分析

滚动轴承发生多点故障时会产生复杂的振动特征,影响轴承故障诊断的准确性。针对滚动轴承外圈多点故障诊断特征的变化规律,考虑滚动轴承外圈故障数量、故障间隔和载荷分布对故障特征的影响,采用五自由度动力学模型进行仿真分析。通过龙格库塔法对动力学方程进行数值求解,分析了滚动轴承外圈单点故障和多点故障的诊断特征。结果表明:当外圈具有多点故障时,随着故障数量和故障间隔的变化,故障特征频率各谐波的幅值会发生变化;当多点故障满足载荷相等和一定的间隔关系时,故障特征频率值与故障数量之间呈现对应的倍数关系。通过滚动轴承多点故障模拟试验验证了结论的正确性。     

基于Morlet小波的滚动轴承故障信号奇异性分析

针对滚动轴承故障信号分析中单一频域表征的问题,提出了将Morlet连续小波变换应用于故障信号奇异性提取和分析的新方法。在分析了滚动轴承故障信号的奇异性特征和奇异性信号小波检测机理的基础上,将Morlet连续小波用于对滚动轴承故障信息的提取与分析。试验证明,该方案能有效地对滚动轴承故障信号在时间和尺度平面进行分析,可以同时表征奇异性信号的时间和频率信息。     

基于尺度优化形态学滤波的滚动轴承故障诊断

为高效提取轴承振动信号中的冲击故障特征,提出了一种改进形态学帽乘积算子(IMHPO);同时,提出了一种新的结构元素长度选择策略,根据振动信号的极值点确定结构元素的长度范围并采用Hoyer测度评估形态滤波信号中的故障特征信息来选择最优结构元素长度。此外,将对角切片谱(DSS)应用于形态学帽乘积算子的滤波信号,以解决宽带噪声污染并进一步消除故障无关分量。仿真分析和轴箱轴承试验结果表明,所提出的IMHPO-DSS方法能够增强故障相关冲击特征并有效诊断轴承故障。     

基于EEMD和多元多尺度熵的风力发电机组滚动轴承故障特征提取

为了降低风力发电机组滚动轴承信号的噪声和进行多信道数据处理,提出了一种基于EEMD和多元多尺度熵的特征提取方法。利用EEMD算法对多信道的原始声发射信号进行分解获取无模式混淆的IMF,通过敏感度评估算法选取反应故障特征敏感的IMF进行多元多尺度熵分析,由单因素方差分析选择最优尺度对应的多元样本熵作为各种故障的特征值。通过从实验台采集得到正常、轻微损伤和断裂3种状态的样本数据,与多种特征提取方法相比较和SVM算法分类分析,证明了所选择故障特征量的准确性,同时也验证了所提出的滚动轴承故障特征提取方法的有效性和准确性。     

滚动轴承的故障预防

滚动轴承在工作中其寿命相差甚远，本文从以下两方面论述了预防滚动轴承故障的方法：（１）在轴承安装之前，对其进行动态质量检查；（２）在轴承安装之后对其进行定期监没。并且论述了用普通测振手段来判断滚动轴承故障的方法，该方法在生产中十分有效。     

基于Morlet小波变换的滚动轴承早期故障特征提取研究

针对轴承故障初期振动信号中的特征成分极易被噪声信号淹没而不能及时检测的问题,结合Morlet小波变换降噪的基本原理,提出一种由尺度相关能量分布确定最优尺度参数的方法,从而在该尺度下对信号滤波来提取冲击特征成分.以最小Shannon熵优化Morlet小波的形状参数,实现母小波与信号故障特征的最佳匹配;以最优Morlet小波在不同变换尺度下的小波系数绘制尺度-能量谱,利用信号故障特征能量在特定尺度范围内聚集的特性,从谱图的极值点中选择滤波效果最好的尺度参数.对轴承全寿命数据的实际应用结果表明,与信号的均方根趋势相比,该方法能够提前从信号中提取微弱故障特征并检测到轴承的外圈故障,为轴承早期故障诊断提供了一种有效途径.     

滚动轴承故障特征的时间—小波能量谱提取方法

振动信号中的周期性冲击现象是诊断滚动轴承各元件故障的重要依据之一,针对滚动轴承故障特征,在小波变换理论基础上提出一种时间—小波能量谱信号处理方法,它能够有效地提取出振动信号中冲击成分的时域和频域特征。利用时间—小波能量谱方法分析正常、外圈故障、内圈故障、滚珠故障等四种状态下滚动轴承的振动信号,并与传统的包络解调分析方法进行对比分析。时间—小波能量谱不仅可以有效提取出冲击特征明显的滚动轴承外圈故障,还能提取出内圈、滚珠等信号特征微弱的滚动轴承故障,而包络解调分析方法只能提取出外圈故障特征而不能提取出滚珠故障、内圈故障特征。结果表明,时间—小波能量普比包络解调分析方法更能有效地提取出振动信号中的冲击信号成分。     

基于神经网络的滚动轴承检测

本文介绍了一种基于人工神经网络进行滚动轴承故障检测的新方法,文中利用加速度计获得滚动轴承的动态振动信息,为滚动轴承建立了动态非线性神经网络模型,并利用该模型进行在线故障检测,实际使用证明该模型具有良好的收敛性和稳定性和完全能满足对滚动轴承故障的在线检测。     

基于小波分析的变速箱滚动轴承故障诊断方法的研究

利用小波分析技术将滚动轴承故障振动信号分解到时－频空间,定义了滚动轴承故障振动信号能量分布函数Ｓ（ｔ） ,提出了能量分布函数Ｓ（ｔ） 细化谱诊断变速箱滚动轴承故障的分析方法。在某自行火炮的变速箱上进行了一系列滚动轴承故障诊断实验,实验结果验证了能量分布函数Ｓ（ｔ） 细化谱诊断变速箱滚动轴承故障的有效性     

循环平稳分析方法在交流电机轴承故障诊断中的应用

通过分析电机轴承故障时的振动信号特性.证明这个非平稳信号具有周期平稳性,讨论循环平稳信号的循环自相关函数特性;并经循环平稳解调性的分析,提出利用循环谱对电机轴承故障振动信号进行模拟仿真诊断,证明利用循环平稳分析方法能够快速有效地识别出轴承故障.     

基于关联维数的滚动轴承故障诊断的研究

针对滚动轴承系统产生的非线性振动信号的特点,提出用关联维数来描述轴承振动信号的工作状态,进而对其进行故障诊断的方法。同时详细讨论了关联维数的计算方法,并对由轴承系统产生的非线性振动信号进行了关联维数的定量计算。实验表明,滚动轴承不同工作状态由不同的动力学机理产生,其关联维数明显不同。以关联维数作为滚动轴承的工作状态监测的依据,可以为提高滚动轴承故障诊断的准确率提供了一种有效的新方法。     

Bearing fault diagnosis based on an improved morphological filter

The extraction of repetitive impacts from vibration signals plays an essential role in bearing fault detection. Among different signal processing algorithms, morphological filter (MF) has attracted lots of attention because it could directly extract the geometric structure of the impulsive feature and only needs little computation. However, the conventional MF and some current improvements are based on the local optima of the raw signal to de-noise the noisy signal and its faulty feature extracting capability would be greatly affected by the noise. In this paper, a new improved MF algorithm is proposed to overcome such deficiency. Firstly, morphological gradient (MG) operator is selected in this paper due to its capability of picking up both positive and negative impulses. Then, based on the relationship between the defect induced impulse and a harmonic function with the resonant frequency, the harmonic waveform in a period is adopted to instruct the construction of structuring element (SE). The improved MF can obtain the fault feature from low SNR signals. The processing results of a simulation signal and two sets of experimental signals and a set of comparisons verify the effectiveness and robustness of the proposed method.     

循环周期图在滚动轴承故障诊断中的应用

在旋转机械状态监测和故障诊断领域中 ,循环平稳信号分析方法正在成为一种重要的处理工具。本文在介绍了二阶循环平稳理论的基础上 ,分析了循环周期图的两种方法 ,并将时间平滑循环周期图法应用到实测滚动轴承振动信号的分析与诊断之中。通过与经典的功率谱分析方法相比较 ,证明循环周期图能够快速有效地识别出滚动轴承的故障 ,并指出其在滚动轴承故障特征提取方面具有很大的应用价值     

BP神经网络在滚动轴承早期故障诊断中的应用

滚动轴承是旋转机械中应用普扁而又易损的元件之一，其故障在机械故障中占有很大的比例．因此，轴承故障诊断、特别是早期诊断很受重视．本文将神经网络应用于轴承早期故障诊断，简要说明了ＢＰ神经网络的基本原理、算法及特点，介绍了实验数据的分析过程和参数选择原则．实验结果表明，选择适当的网络结构进行训练、学习和检验，可以把良好轴承、内环缺陷轴承、外可缺陷轴承、滚子缺陷轴承及具有三种综合缺陷的轴承区分开来，并能初步估计出缺陷的大小．     

基于声发射技术的铁路货车滚动轴承故障诊断研究

采用声发射技术对铁路货车滚动轴承的故障诊断是一种新型的无损检测方法。对采集到的声发射信号进行基于小波变换的带通滤波处理后,故障特征信息明显,容易区分出铁路货车滚动轴承的不同状态。将声发射技术用于铁路货车滚动轴承的状态监测与诊断中,经大量试验证明,该法能准确区分轴承状态的好坏与故障类型。     

燃气轮机滚动轴承滚动体磨损故障分析研究

通过建立轴承特征频率方程,计算得到滚动体故障频率、内滚道故障特征频率、外滚道故障特征频率、保持架故障特征频率,并通过理论分析得到滚珠直径磨损量对滚动体故障频率影响规律,通过试验对比验证了分析的正确性.