基于峭度-小波包分析的滚动轴承故障诊断

理论分析和实例证明,峭度指标等滚动轴承振动时域统计参量可以判定轴承工作是否正常,但不能给出更多信息.通过小波包分析对振动信号进行分解,并有针对性地对包含有故障特征频率的频段信号进行重构,能有效地滤去各种干扰信号,显示故障特征信息,为滚动轴承的故障诊断提供了一种快速有效的途径.     

基于模糊熵与LS-SVM的轴承故障诊断

由于滚动轴承不同状态的振动信号具有不同复杂度的特点,提出利用模糊熵和最小二乘支持向量机(LSSVM)实现轴承故障的准确诊断。模糊熵将模糊理论引入到数据序列的复杂度测度中,能够测量出不同复杂度的数据序列。根据模糊熵计算方法,选择最优参数计算轴承振动信号的模糊熵,作为区分轴承不同故障状态的特征参数。以轴承振动信号的模糊熵为输入,以最小二乘支持向量机为分类器,准确识别轴承故障状态。轴承实测振动信号分析表明,方法能够有效诊断轴承故障,提高故障诊断的准确率。     

基于无量纲指标与波谱分析的滚动轴承故障诊断

鉴于滚动轴承在运转过程中能够产生冲击振动信号,将无量纲指标、频域平均与Hilbert包络分析相结合,实现对滚动轴承的故障诊断。首先将采集到的滚动轴承振动信号进行裕度指标、峭度指标等无量纲指标分析,来定性判断轴承是否存在故障,然后通过频域平均减小噪声等干扰信号的影响。最后通过Hilbert包络谱解调分析,获取能够反映故障频率的振动信号。实例表明,该方法能够简单有效地实现滚动轴承的故障判断。     

基于时变自回归参数模型的滚动轴承智能故障诊断

轴承运行时的振动信号是典型的非线性非平稳时间序列,对其建立时变自回归参数模型,可以较好地表征轴承振动的非平稳特征。在对轴承振动信号时变自回归模型的时变参数进行大量实验分析研究的基础上,提取均值作为表征轴承运行状态的特征参数,并输入支持向量机分类器进行故障识别与分类,实现滚动轴承的智能故障诊断。实验结果表明,该故障诊断方法可以有效准确地识别滚动轴承的运行状态。     

基于EMD-AR谱和GA-BP的滚动轴承故障诊断研究

为了提高滚动轴承振动信号的故障特征提取能力,快速有效地诊断出轴承的故障类型,提出了一种基于EMD-AR谱和GA-BP神经网络的滚动轴承故障诊断模型,以美国凯斯西储大学轴承数据中心的轴承振动加速度数据为例,对滚动轴承各种状态进行了理论分析和实验测试研究.首先,通过经验模态分解,将采集到的轴承振动信号进行了分解,获得了不同...     

基于奇异值差分谱与改进包络分析的轴承故障特征提取

针对滚动轴承振动信号故障特征难以提取的问题,提出了一种基于奇异值差分谱与改进包络分析的轴承故障特征提取方法。首先,通过奇异值分解将原始轴承振动信号分解为一系列能够线性叠加的分量信号,利用故障特征分量和噪声分量在奇异值上的差异,根据奇异值差分谱的性质筛选出有效奇异值,选择包含故障特征的分量重构信号。针对奇异值分解去噪后仍存在残余噪声,采用改进包络分析,在频域中进一步去除重构信号中的残余噪声。最后对实测轴承信号进行分析,准确地提取到故障特征明显、故障频率突出的轴承故障信号,完成故障诊断。     

基于ARIMA和XGBoost的滚动轴承故障预测模型研究

针对滚动轴承现有故障预测模型精度和准确率较低的问题,提出一种基于ARIMA时间序列预测和XGBoost分类算法的滚动轴承故障预测模型。首先,采用LMD联合FPA解决盲源欠定的问题;其次,使用KPCA选取敏感特征作为预测模型的输入,以提高轴承故障的分类精度;第三,通过Arima自回归模型预测轴承振动信号未来短期内变化情况,将预测结果输入XGBoost模型进行故障分类预测,实现滚动轴承故障识别,提高预测准确率;最后,通过美国凯斯西储大学使用的轴承数据集,进行实例验证,实验结果表明,该方法可以更准确地预测出轴承短期内振动信号变化并诊断出可能发生的故障,证明了该方法在滚动轴承信号含噪情况下,有效提取特征、识别故障和故障预警中具有可行性与可靠性。     

基于虚拟仪器技术的滚动轴承故障诊断系统

基于虚拟仪器技术的思想,利用labview软件设计并搭建了滚动轴承振动测试及故障诊断系统。通过对滚动轴承振动信号的采集及处理,得到轴承的各项振动性能参数。系统能够根据参数值、振动的时域图以及频谱图,对轴承状态进行准确判断,并可显示出故障产生部位及其发展趋势。     

基于形态分量分析和包络谱的轴承故障诊断

滚动轴承出现局部损伤时,其振动信号往往由包含轴承自身振动的谐振分量、包含轴承故障信息的冲击分量及随机噪声分量构成。提出了基于形态分量分析和包络谱的滚动轴承故障诊断方法。该方法根据轴承振动信号中各组成成分的形态差异,利用改进的形态分量分析对滚动轴承故障振动信号中的谐振分量、冲击分量和噪声分量进行分离,然后对冲击分量进行Hilbert包络解调分析,根据包络谱诊断滚动轴承故障。算法仿真和应用实例表明,该方法能有效提取滚动轴承故障特征。     

基于双谱估计的轴承非线性振动信号模式识别

当滚动轴承发生故障时,其产生的振动信号一般是包含较强噪声的非高斯和非线性耦合信号.本文对把高阶统计量用于滚动轴承非线性振动信号特征模式识别的方法进行了研究,提出了基于双谱估计的滚动轴承故障诊断方法.利用这种方法可以同时获得包含滚动轴承故障信号幅值和相位耦合信息的双谱特征图谱.实验研究表明,利用双谱图谱中不同的非线性耦合其故障特征模式不同的特点,可以快速地识别轴承的工作状态.     

固体润滑滚动轴承摆动工作的故障诊断方法

为模拟固体润滑滚动轴承在太空中的摆动工作状态,从而有效分析、预测其工作寿命和失效原因,研制了一套滚动轴承摆动工作地面仿真装置。通过对轴承工作时的振动加速度、外圈温度以及电机电流等物理量的跟踪采集及分析,来判断其工作状态。采用参数判断、功率分析和共振解调等算法对振动监测信号进行处理,可以较准确地诊断出轴承的疲劳损伤,有助于对其工作寿命进行有效预测。通过对轴承疲劳损伤时产生的振动信号进行共振解调分析发现,轴承故障信号的特征频率是轴承摆动频率的倍频,使共振解调分析在轴承故障信号处理上的应用得到了有益的补充。     

基于MRE与特征类的轴承故障诊断方法

针对滚动轴承振动信号难以提取的问题,为实现故障特征准确分类目的。通过多尺度极差熵（MRE）和EigenClas融合,提出了一种MRE-EigenClass分类方法来诊断轴承故障模式。首先,MRE从不同状态下轴承的振动信号提取20个尺度的特征向量,最后将提取到的特征向量输入到EigenClass分类器,得到分类结果。实验证明,提出的MRE与EigenClass算法能有效提取滚动轴承振动信号的特征,并且实现高精度分类。与其他故障识别的分类器相比,本方法具有更高的故障识别准确率,识别精度达到98.86%。     

小波变换能量谱在滚动轴承故障诊断中的应用

针对滚动轴承故障振动信号的特点,构造余弦调频小波,采用连续小波变换的方法来提取滚动轴承故障振动信号的特征,提出了一种滚动轴承故障诊断方法—小波能量谱比较法。通过对有缺陷的滚动轴承振动信号的分析,检测到轴承故障的存在,且能有效地识别出滚动轴承的故障模式。     

基于EMD和峭度的Hilbert包络解调在滚动轴承故障诊断中的应用分析

针对直接运用快速傅里叶变换（FFT）无法有效提取具有非线性非平稳特性的滚动轴承振动信号故障特征频率的问题,提出了一种基于经验模式分解和峭度指标的Hilbert包络解调方法.首先对滚动轴承的振动信号进行了经验模式分解（EMD）,得到了包含轴承故障特征信息的各阶本征模态函数（IMF）,再计算各阶IMF的峭度值,选取了峭度值较大的几阶IMF分量重构信号,并对重构信号进行了Hilbert包络解调分析,从而获得了滚动轴承的准确故障特征信息.分别对仿真模拟信号和实际滚动轴承发生内圈故障的振动信号进行了分析,清晰地得到了故障特征频率.研究结果表明,利用融合EMD、峭度系数和Hilbert包络解调的诊断方法能够快速、准确地提取滚动轴承的故障特征频率,从而可以对滚动轴承进行有效地故障诊断.     

形态滤波优化算法用于滚动轴承故障诊断

为了有效地从非线性、非平稳性的滚动轴承振动信号中提取有用的信息成分,提出了一种优化的形态滤波算法-Elman神经网络相结合的方法。首先,采用局域均值分解(LMD)将轴承振动信号分解成若干PF(product runction,简称PF)分量之和;然后,利用峭度最大准则选取PF分量,再用自适应多尺寸多结构元素形态滤波器对其进行滤波解调,进而提取出能量特征向量,作为Elman神经网络的输入参数;最后,区分滚动轴承故障状态和故障类型。仿真分析和试验研究表明,该方法能够有效地提取出滚动轴承的故障特征,与传统的高频共振解调方法相比效果更加明显,与小波包分析-BP神经网络故障诊断方法对比,显示出其具有更高的识别率,更加表明其可行性和有效性。     

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。     

基于小波分析的滚动轴承故障诊断

针对滚动轴承故障的非平稳振动信号,提出了一种结合峭度和小波函数的时-频分析方法.该分析方法应用Matlab软件对包含滚动轴承故障信息的信号进行了小波分解和重构,并通过Hilbert变换进行了解调和细化频谱分析.实验结果显示,该分析方法可以有效地把轴承中的故障信息成分检测出来,从而快速地判断出轴承的故障类型.     

滚动轴承故障程度识别与诊断研究

通过滚动轴承模拟故障试验台,获取了滚动轴承外圈、内圈和滚动体不同剥落程度时的振动信号,并对故障程度的识别与诊断进行了探索.采用经验模态分解方法对轴承信号进行分解,得到其固有模态分量,然后将前8阶分量的有效值作为特征向量输入BP神经网络,进行故障程度识别与诊断,滚动轴承3种类型不同程度的故障被准确地区分出来.     

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ELMD和MED的滚动轴承早期故障诊断方法

针对滚动轴承早期故障振动信号的非平稳特性和现实中受环境噪声影响严重,故障特征信息难以识别的问题,提出基于ELMD和MED的故障诊断方法。首先,运用ELMD对采集到的轴承振动信号进行分解,得到一系列PF分量;然后,依据相关系数与峭度准则,选取包含故障特征信息较丰富的PF分量进行MED滤波处理以消除噪声影响,凸现故障特征信息;最后,对降噪信号进行Hilbert包络谱分析,从谱图中准确地识别轴承故障特征频率。