基于KJADE的列车轴承轨边声学诊断方法研究

为在线诊断运行列车的轴承状态,提出一种基于核特征矩阵联合近似对角化(kernel joint approximate diagonalization of eigen-matrices,简称KJADE)的列车轴承轨边声学故障诊断方法。首先,从校正后的轨边信号中提取原始特征,将其通过非线性映射函数映射到高维特征空间;其次,对特征空间的核矩阵进行四阶累积量的特征分解,获得新融合特征,并采用支持向量机分类器对融合特征进行辨识;最后,对轴承外圈、内圈、滚子故障和正常4种状态下的列车轨边声学信号进行分析。结果表明,该方法可以有效实现对列车轴承轨边声音信号的非线性特征提取,提高了故障的识别率。     

利用声场空间分布特征诊断滚动轴承故障

基于振动信号分析的特征提取是目前最主要的机械故障诊断方法,而振动信号的获取受到接触式测量的限制,基于声学测量的故障诊断能够克服这一缺点,但传统基于单通道测试的声学诊断技术存在测点选择难和局部诊断的不足。基于近场声全息技术提出一种用于滚动轴承故障诊断的声场分布特征提取方法。不同轴承故障能产生不同的振动特性,进而产生相应的声场分布,鉴于轴承状态与声场分布特性的对应关系,利用近场声全息算法重建声源附近各轴承运行状态下的声场,得到反映声场分布的二维声像图,再从声像图中提取故障相关的灰度共生矩阵特征,建立声场分布特性与轴承运行状态间的内在联系,结合支持矢量机模式分类,用于轴承的故障诊断。研究表明所提出的声场分布特征提取方法能够有效地用于滚动轴承的各类故障诊断,为机械故障诊断提供了新的参考。     

数据驱动的轴承早期故障诊断技术综述

轴承早期故障的实时诊断,是实际工程应用需求和基础科学问题研究的交汇点,是轴承故障诊断的发展方向之一。首先,阐述了轴承故障及演变过程;其次,根据轴承早期故障实时诊断的需求,总结了轴承早期故障诊断难点问题;之后,重点论述了轴承早期故障诊断3个关键环节所采用的各种技术：微小监测信号增强技术、监测数据的融合表示技术以及早期故障智能诊断技术;最后,总结展望了轴承早期故障诊断技术的发展趋势。     

基于局部特征尺度分解与最小熵解卷积的轴承故障诊断

为准确进行滚动轴承的故障诊断,结合局部特征尺度分解(LCD)和最小熵解卷积(MED)给出了一种新的故障诊断方法。首先,对轴承振动信号进行局部特征尺度分解,得到若干个内禀尺度分量;然后,依据互相关系数指标,采用聚类分析方法自动选取有用分量并叠加作为重构信号;最后,应用最小熵解卷积将重构信号降噪,并应用包络分析技术进行故障诊断。通过轴承内、外圈故障振动数据的分析表明:经LCD-MED处理后,振动信号的峭度值得到了较大提高,故障特征频率更加突出,基于LCD-MED的方法在轴承故障诊断中有效且合理。     

基于EMD-ICA去噪的滚动轴承故障诊断方法

针对轴承故障信号易受环境噪声影响、信噪分离难的问题,提出了一种基于经验模态分解和独立成分分析相结合去噪的滚动轴承故障诊断方法。给出了该方法在故障诊断信号去噪领域的应用原理、方法步骤和评价指标;并通过仿真信号和实际轴承的滚动体故障、内圈故障和外圈故障信号进行了分析和故障诊断,验证了该方法在轴承故障信噪分离中的有效性。结果表明,采用文中提出的方法消噪后提取故障信号特征频率,压制了噪声干扰,能明显区别出轴承的状态及其故障的类型,有效提高了轴承故障诊断的准确性。     

动车组转向架轴箱轴承故障及诊断研究

转向架轴箱轴承是高速列车动车组重要的旋转运动部件，它在复杂多变的工况下极易出现由疲劳、过载等原因导致的失效，因此，轴箱轴承的运转可靠性直接决定着列车的行车安全。为了满足动车组运营维护中动态化、系统化的安全保障需求，要对轴箱轴承故障诊断技术进行研究。通过分析轴箱轴承的结构原理和典型故障形式，挖掘故障与外界因素的关系。结合振动信号监测技术得出振动数据，采取时域分析与小波分析结合的故障特征频率提取方法，能对轴承外圈点蚀故障进行诊断。结果表明，时域分析法可快速准确获取故障特征信号，但不能定位故障产生的部位；而小波分析法可从包络谱图中直接看出故障特征频率，准确地提取轴承故障特征信息。综合使用时域分析与小波分析，可明显提高轴承故障诊断率，促进轴箱轴承故障诊断方法在动车组上的应用。     

轴承故障信号的峰值特征扩展电路研究

针对轴承故障早期预测和高速轴承故障诊断的要求,研究了一种轴承故障信号的峰值特征扩展及其复位清零方法。通过峰值保持器和比较器LM339、触发器MC14538、多路开关CD4053实现了轴承故障信号的冲击峰值的适当扩展保持并及时清零复位,这种方法使得轴承故障信号的特征更加明显,同时也避免了高转速下的轴承故障信号的混叠。     

混沌理论在滚动轴承故障诊断中的应用

混沌系统对初始条件和参数极度敏感,这一特点可以用于检测早期检测噪声背景下的滚动轴承故障信号。从几个方面综述了混沌理论在轴承故障诊断中的应用现状,即滚动轴承故障诊断技术的分类与特点,混沌理论在滚动轴承故障诊断中的应用基础,混沌振子系统在轴承故障诊断中的应用,混沌动力学分析在滚动轴承故障诊断中的应用。并通过分析总结,预测了混沌理论在轴承故障诊断中的下一步研究方向。     

LCD、k-means与ICA相结合的滚动轴承故障诊断方法

为了准确地进行滚动轴承故障诊断,针对故障振动信号的低信噪比特征,提出了局部特征尺度分解、k均值聚类分析和独立分量分析相结合的故障诊断方法。首先,应用局部特征尺度分解对振动信号进行分解,得到若干个内禀尺度分量;然后,依据分量与原始信号的互相关系数及峭度值,应用k均值聚类方法选取有效的分量组成新的观测信号;最后,对观测信号进行独立分量分析处理,实现信噪分离,依据峭度值选取信号分量,对信号应用希尔伯特包络谱技术实现故障诊断。通过轴承内圈故障数据分析,验证了方法的有效性。     

基于伪Wigner-Ville分布与小波变换的滚动轴承故障诊断

针对滚动轴承故障信号非平稳、非高斯的特点,提出了基于伪Wigner-Ville分布及小波变换的滚动轴承内、外圈故障诊断方法。在研究滚动轴承故障诊断机理,伪Wigner-Ville分布及小波变换理论的基础上,利用这两种方法对内圈、外圈故障的滚动轴承的振动信号进行了分析,提取了故障特征频率。结果表明,小波变换能够比伪Wigner-Ville分布更有效地提取轴承故障的特征信息,提高轴承故障诊断率。     

基于小波包分析的汽车发动机轴承故障诊断方法

本文旨在研究小波包分析在汽车发动机轴承故障诊断中的应用,根据小波包展开的结构材料早期损伤监测较为简单,可以灵敏的监测到早期故障损伤。对失效破坏的故障发射信号进行分析,在此基础上,采用小波包分解技术,实现对汽车发动机轴承故障振动特征参数的有效提取,并将其应用到汽车发动机轴承故障诊断方法中。通过实验验证,实现对汽车发动机轴承故障的高效诊断。     

基于小波分析的滚动轴承摩擦副表面损伤故障诊断系统

针对滚动轴承故障振动(非平稳信号)之特征,提出了基于小波分析的滚动轴承故障诊断方法.该方法应用Matlab软件对包含滚动轴承故障信息的信号进行小波分解和重构,通过细化频谱分析,可有效地把轴承中的故障信息成分检测出来,从而快速地判断轴承的故障类型.基于上述研究,研发出一套适用的滚动轴承摩擦副表面损伤故障诊断系统.经实践检验,诊断方法正确,检测结果稳定、可靠.该系统经改进和功能扩展,可应用于其他振动信号的采集和分析.     

基于经验模态分解的瞬时相位分析方法的应用

提出了基于经验模态分解的瞬时相位分析的新方法。通过对振动信号作经验模态分解得到信号的固有模态函数，再求出各个固有模态函数的Hilbert变换，得到信号的瞬时相位．通过瞬时相位的傅里叶分析就可提取信号特征。介绍了该方法的基本原理，并应用于齿轮箱轴承的故障诊断研究，通过选取表征轴承故障的固有模态函数进行瞬时相位和傅里叶分析，就可提取轴承故障振动信号的特征。通过对轴承故障实验信号的分析．表明该方法能有效地诊断轴承的故障。     

基于虚拟仪器的滚动轴承故障诊断系统的设计

根据滚动轴承信号的特点,提出了一种基于小波包分解和共振解调技术相结合的滚动轴承故障诊断方法,并开发了基于虚拟仪器的故障诊断系统.首先采用小波包将信号进行分解,再利用共振解调技术分析小波包的高频段,以诊断轴承故障.然后运用LabVIEW图形化编程语言设计了相应的滚动轴承故障诊断程序,最后在ADBE-56-N4型交流电机上实测了6305型滚动轴承故障模拟信号,分析结果表明,该方法有效地提取了故障特征和诊断轴承故障,有很好的实用性和有效性.     

基于SALSA优化算法的变转速轴承故障特征稀疏表示方法研究

变转速工况下轴承等设备的关键部件出现故障后对设备的危害十分严重,而且此类工况下振动信号更加复杂。为了克服此类问题,引入分裂增广拉格朗日收缩算法建立变转速轴承故障特征稀疏表示方法,实现变转速下轴承故障冲击特征的准确提取。首先,基于变转速轴承故障振动响应模型,分析不同转速下轴承故障振动响应形态变化规律,构造Laplace小波基底过完备字典;然后运用分裂增广拉格朗日收缩算法实现故障信号的稀疏表示与重构,通过提取重构信号的特征阶次实现轴承的故障诊断。轴承故障诊断实例验证了所提方法在变转速工况下轴承故障诊断的有效性。     

基于LCD多尺度散布熵的数控机床故障诊断

为提升数控机床用轴承故障诊断效果,提出了基于LCD多尺度散布熵的数控机床轴承故障诊断方法。该方法利用局部特征尺度分解(LCD)对轴承振动信号进行分解,获取原始信号不同尺度下的内禀尺度分量(ISC);根据散布熵能有效区分不同故障信号的复杂度,计算ISC分量的散布熵,获得原始信号多个尺度下的复杂度特征作为轴承故障的特征参数;将该特征参数输入SVM分类器中判断轴承故障,实现故障诊断。轴承不同类型和不同程度故障诊断实验结果表明,所提方法能够提升轴承的故障诊断效果,相比其他一些方法,具有一定的优势。     

调制故障源信号盲分离技术

应用盲信号分离技术，通过模拟实际故障诊断中传感器所测信号的噪声干扰情形，较好地实现了一倒故障源信号与外加干扰的分离，突出了源信号中重要的调制特征。另外，对实际多维轴承故障信号的盲分离实验结果，也暗示了盲源分离技术在机械状态监测与故障诊断中的应用价值。     

圆周振动筛轴承故障特征提取与诊断

针对圆周振动筛轴承故障信号经常淹没在振动筛自身的振动和冲击中,导致轴承故障特征难以提取的问题,提出采用包络分析法处理测试信号和诊断轴承故障的方法。利用加速度传感器采集圆周振动筛轴承正常工作和发生故障时的振动信号,再采用包络分析方法对振动信号进行处理并提取轴承的故障特征,从而识别出故障类型。通过实验分析了振动筛轴承故障的时域和频谱特征,得出轴承外圈频谱存在调制现象,而内圈频谱不存在调制现象,为轴承故障诊断提供了理论的技术支持和判断依据。     

基于自相关降噪和ELMD的轴承故障诊断方法

为了提取在故障轴承振动信号中被强噪声淹没的微弱冲击特征信号,提出一种基于总体局部均值分解和自相关降噪的轴承故障诊断方法。首先,应用自相关函数对轴承故障信号进行降噪;其次,对降噪后的信号进行ELMD分解,并得到一系列的乘积分量;最后,利用共振解调技术对各个PF分量进行包络分析,进而发现轴承故障频率。试验结果表明:将自相关降噪和ELMD分解方法结合用于实测轴承故障特征提取中,不仅可以降低信噪比,而且可以有效地提取轴承故障的特征频率。     

基于多维度互近似熵的滚动轴承故障诊断方法研究

针对滚动轴承的故障诊断问题,引入互近似熵的方法对轴承振动信号进行分析。通过研究嵌入维数和延迟时间对信号互近似熵的影响,提出多维度互近似熵的特征提取方法。利用多维度互近似熵方法所提取的特征,建立了基于支持向量机的轴承故障诊断模型。对轴承不同类型、不同程度的故障数据进行分析,证明了多维度互近似熵方法可以有效提取轴承不同状态的特征信息,与支持向量机结合可以精确地诊断轴承不同类型、不同程度故障,具有一定的优势。