基于级联奇异值分解和Hilbert变换的滚动轴承故障诊断

针对Hilbert变换包络解调法在强噪声影响下不能有效提取轴承故障信息的问题,研究了级联奇异值分解降噪的方法,并采用简便方法对重构矩阵的时间延迟和奇异值降噪阶次进行选择。应用结合后的方法分析含故障信息的滚动轴承实验信号,结果表明该方法能有效降低噪声并突显故障特征频率。     

基于零空间追踪和包络谱的滚动轴承故障诊断

从振动信号中提取故障特征是滚动轴承故障诊断的常用方法。提出了利用零空间追踪算法和包络谱分析进行滚动轴承故障诊断的方法。首先对轴承故障振动信号进行零空间追踪(Null Space Pursuit)分解,降低噪声的干扰,提取高能量成分。然后对高能量分量进行包络谱分析得到振动信号特征频率,与理论故障特征频率对比后确定故障类型。仿真和试验结果显示该方法能够成功提取特征频率,辨别轴承故障类型,具有一定的实际意义。     

基于HHT时域边际谱的滚动轴承故障诊断

HHT(Hilbert-Huang变换)是一种适合处理非平稳和非线性过程的信号处理方法。提出了一种基于HHT的时域边际谱方法。该方法与传统Hilbert边际谱不同,代表单位时间内幅度的累加,体现信号时域特性。在滚动轴承的实验中,能够成功辨识滚动轴承内圈和外圈的故障特征,验证了该方法处理滚动轴承故障的可行性。     

基于独立量分析和小波包能量谱的滚动轴承故障诊断

滚动轴承是煤矿机械中很重要的零部件,也是最容易发生故障的零部件之一。对煤矿机械滚动轴承的故障诊断研究是一个很热的方向。提出了一种将独立量分析和小波包能量谱相结合的故障特征提取方法,并采用此方法对滚动轴承进行了故障特征提取。实验结果说明采用独立量分析和小波包能量谱相结合的方法对滚动轴承故障进行提取的效果要明显优于单独使用小波包能量谱的方法。这种故障特征提取方法对其他设备的故障诊断也都适用。     

基于谱相关密度-连续HMM的滚动轴承故障诊断

滚动轴承故障振动信号是典型的调幅信号,而谱相关密度分析对调幅信号具有解调功能,它可以有效地提取出滚动轴承信号的故障特征,结合连续隐马尔可夫模型(Hidden Markov Model,HMM)所具有的强大时序模式分类能力,提出了基于谱相关密度-连续HMM的滚动轴承故障诊断方法。该方法首先利用谱相关密度函数在循环频率处进行切片分析,提取滚动轴承故障振动信号的特征,构成特征向量序列;然后将此序列输入到连续HMM中进行训练,得到各类对应故障的模型,最后利用训练好的模型进行滚动轴承的故障诊断。试验结果验证了该方法的可行性和有效性。     

基于VMD-PE和M-RVM的滚动轴承故障诊断

针对传统EMD易产生模态混叠,原始SVM、RVM方法存在核函数选取困难、识别效率低等问题,提出一种基于变分模态分解(VMD)、排列熵(PE)以及混合蝙蝠算法(BA)优化的多分类相关向量机(M-RVM)的轴承故障智能诊断方法。首先,VMD分解故障信号,获得本征模态函数(IMF);然后将PE用于IMF的故障特征提取过程,形成特征序列;最后,将所得的特征序列输入基于混合BA优化的M-RVM故障诊断模型,对不同故障进行分类识别。对试验数据的分析结果表明,基于VMD-PE与M-RVM的滚动轴承故障诊断可以提高轴承故障诊断的准确度。     

基于LLE和LSSVM的滚动轴承故障诊断

针对滚动轴承故障特征混叠难以有效区分的问题,提出基于局部线性嵌入(LLE)与最小二乘支持向量机(LSSVM)结合的故障诊断方法。在由振动信号时域和频域统计指标构造的多维特征空间中,通过LLE算法对多维特征空间进行非线性降维处理,得到初始低维流形结构。将低维流形结构导入LSSVM中进行学习训练与故障辨识。应用于滚动轴承故障分析表明,该方法不仅对高维复杂的非线性故障特征具有良好的降维性能,而且故障识别率较之传统方法有明显提高,能够有效识别出高维特征空间的非线性故障特征。     

高阶谱在滚动轴承故障诊断中的应用

为了解决振动机械滚动轴承故障诊断问题,提出一种基于高阶谱的滚动轴承故障诊断方法。当滚动轴承开始工作时,提取振动信号,针对滚动轴承的双谱结构图、等高线图和三谱二维切片图在正常情况和故障情况下的不同进行对比。理论分析与试验分析结果一致表明,机械滚动轴承在不同状态下故障特征频谱区别明显,可以成功实现对不同故障的识别和诊断。     

基于复小波多尺度包络谱的滚动轴承故障诊断研究

提出一种新的滚动轴承故障信号处理方法—复小波多尺度包络谱,通过分析连续小波变换后各尺度信号的包络谱来识别滚动轴承缺陷频率,以此来诊断滚动轴承的外圈、内圈和滚动体故障,该方法解决了传统包络解调方法在操作中需要确定滤波器中心频率和带宽的难题,实验证明了该方法的有效性。     

基于FDM和MED的滚动轴承故障诊断方法

针对滚动轴承早期微弱故障特征难以提取的问题,提出最小熵反褶积(MED)与傅里叶分解(FDM)联合降噪的方法。利用MED对采集到的滚动轴承振动信号进行处理以消除噪声影响,将降噪后的信号经过FDM得到若干傅里叶固有频带函数(FIBFs)。依据相关系数准则,选取故障特征信息较丰富的前3个分量进行重构,用包络谱对重构信号进行分析。实验结果表明,MEDFDM包络谱中特征频率及其倍频的幅值明显增大,噪声幅值减小,能有效地提取滚动轴承的早期微弱故障特征,且效果优于FDM。     

基于数据划分和ODM-CNN的滚动轴承故障诊断

提出了一种数据处理方法,对滚动轴承振动数据周期进行自动划分;将数据按照划分的数据长度传入一维多尺度卷积神经网络(ODM-CNN)进行滚动轴承的故障诊断。所提出的数据处理方法可以将每一次传入神经网络的数据划分出合适的周期。通过这种方式滚动轴承故障诊断的准确率达到99.5%以上,并且有效提高了网络的反应速率。     

基于小波包和EMD的滚动轴承故障诊断

针对滚动轴承故障振动信号的非平稳特征,提出了一种基于小波包和经验模态分解(Empirical Mode Decomposition,简称EMD)的滚动轴承故障诊断方法。该方法用小波包对振动信号进行预处理,用Hilbert变换求重构信号的包络,采用EMD方法将包络信号分解为若干个IMF分量,让故障信息得到凸显,然后根据某个分量的频谱,判断滚动轴承的故障类型。实验结果表明,比传统的时频分析方法,该方法能够更有效地提取轴承故障特征,诊断轴承故障。     

基于匹配追踪和SVM的滚动轴承故障诊断

针对滚动轴承的噪声信号问题提出了一种基于匹配追踪(MP)的降噪算法。该算法对信号进行最佳匹配,提取特征信息实现信号降噪。在滚动轴承故障识别中,利用内禀模态奇异值分解(SVD)提取特征向量,运用支持向量机(SVM)进行分类判别。实验结果表明,所提方法可以有效提高信噪比,对滚动轴承故障进行准确的状态识别。     

基于MCKD和稀疏表示的滚动轴承故障诊断

针对强噪声下滚动轴承有效故障冲击特征难以检测的问题,提出基于最大相关峭度解卷积(MCKD)和稀疏表示的特征提取方法实现滚动轴承的故障诊断。该方法首先对滚动轴承原始振动信号进行最大相关峭度解卷积处理,突出原始振动信号中的周期性冲击成分;然后利用正交匹配追踪算法(OMP)实现周期性冲击成分的稀疏表示;最后通过包络谱分析实现故障诊断。仿真和实验验证了该方法的有效性。     

基于双树复小波变换和奇异谱熵的采煤机摇臂轴承故障诊断

该文提出基于振动信号分析的采煤机摇臂轴承故障诊断方法,对振动信号进行双树复小波变换(Double Tree Complex Wavelet Transform,DTCWT),将原始振动信号分解为不同频带的7层信号;针对各频带信号,结合奇异谱熵实现从信号奇异成分能量分布角度的故障特征量化提取,通过分析比较各频带奇异谱熵,可实现采煤机摇臂滚动轴承故障准确诊断。     

积分双谱在滚动轴承故障诊断中的应用

<正>特征提取是状态监测和故障诊断的一个重要问题。近年来,高阶谱已应用于多种故障诊断领域。双谱分析技术因信息量少、估计方差高,应用受到限制,信息量较多的积分双谱技术将具有良好的工程应用前景。滚动轴承是矿山机械的重要组成部分。由于矿山机械工作环境恶劣,必须对滚动轴承进行状态监测和故障诊断[1]。有缺陷的滚动轴承的振动和噪声会表现出一些非高斯性[2]。在滚动轴承故障的众多问题中,异常噪声日益引起了人们的重视[3-4]。笔者利用积分双谱对滚动轴承的保持器噪声故障数据进行提取分析。     

基于专家系统滚动轴承故障诊断研究

通过应用专家系统对滚动轴承故障进行诊断,在专家系统的知识库中输入了有丰富经验的维修人员通过看、听、触、测得到的故障现象和排除故障的方法,该系统通过人机交互界面实现,使维修人员可以快速找出滚动轴承的故障并进行排除,节约时间,提高效率。     

基于LabVIEW的滚动轴承故障诊断系统

通过对滚动轴承工作特性及其故障研究,设计了基于LabVIEW软件的滚动轴承故障诊断系统。分析了滚动轴承振动机理与失效形式,运用共振解调分析与希尔伯特变换作为滚动轴承故障诊断的方法。通过对轴承支持架故障分析表明该系统对滚动轴承故障诊断正确有效。     

基于BP神经网络的滚动轴承故障诊断

滚动轴承在煤机设备中广泛应用,在恶劣工况下容易发生故障。为了能够及时准确地获取滚动轴承的运转状态,采用BP神经网络算法与小波函数对轴承振动信号进行分解,从而对滚动轴承进行状态监测以及故障诊断。实验结果表明,BP神经网络能够准确获得滚动轴承的运动状态及故障类型。