数字滤波器在现场机械振动故障诊断信号处理中的应用

一、前言 在现场故障诊断中,对于从滑动轴承支撑的旋转机械采集到的振动信号,我们感兴趣的常常是500Hz以下的低频信号。1kHz以上的高频部分则主要是噪声,因此,必须利用低通滤波器将其滤掉。 滚动轴承支撑的旋转机械,运行中滚动轴承出现点蚀的情况下,发出的脉冲信号频率与测振传感器及滚动轴承元件固有频率接近,因此发生共振,共振频率一般分布于1～5kHz频段,于是把滚动轴承发出的脉冲信号给掩盖了。为辨认轴承部件损坏情况,对于从滚动轴承支撑的旋转机械采集到的振动信号必须实行带阻滤波,即把共振区域频率波滤除,显出滚动轴承部件频率。     

改进极限学习机在滚动轴承振动故障诊断中的应用

滚动轴承广泛应用于机械、铁路运输、航天航空等领域,在旋转机械设备的正常稳定运行中占据着至关重要的位置,其振动故障的准确、快速诊断是保证机械设备正常稳定运行的必要手段,因此,研究一种能够有效诊断滚动轴承振动故障的方法具有重要意义。针对滚动轴承振动信号具有非平稳性、非线性和影响因素相互影响相互作用的特点,结合小波分析理论对滚动轴承振动信号进行故障特征提取,通过借鉴支持向量机的分类思想,从最优化角度出发,引入结构风险最小化原理对极限学习机进行改进及优化,并结合改进后的方法构建了滚动轴承振动故障诊断模型。仿真结果表明,改进的极限学习机进一步提高了滚动轴承振动故障诊断的效率和分类准确率,为滚动轴承的振动故障诊断提供了新思路和新方法。     

尖峰能量在滚动轴承故障诊断中的应用

滚动轴承是泵、风机等旋转机械中应用最广泛的一种零部件,它的运行状态是否正常直接影响到整台机器的运行。因此,对滚动轴承的状态监测和故障诊断具有重要的现实意义。所谓尖峰能量(gSE)就是"短瞬间内金属碰撞和随机振动所产生的通过机器结构外传的振动能量"。     

基于EEMD和包络分析的滚动轴承故障诊断研究

在较大的背景噪声中,对旋转机械进行监测,包络分析不能从测得的振动信号中解调出故障。基于旋转机械振动信号具有非平稳、非线性特点,提出一种新的基于EEMD和包络分析的滚动轴承故障诊断方法,该方法首先运用EEMD方法将振动信号分解成有限个本征模态分量和残余量,对这些分量进行包络分析,可以解调出故障。通过仿真信号和实际滚动轴承外圈的振动信号分析表明该方法能够有效地识别滚动轴承的故障。     

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     

基于cICA的旋转机械变速过程滚动轴承故障特征提取

在ICA基础上发展起来的约束独立分量分析(cICA)方法,可根据一定的先验知识生成参考信号以提取选定的独立分量,解决了原ICA算法的次序不确定性问题。将cICA用于滚动轴承故障诊断,能够根据被监测滚动轴承的特征频率等先验信息建立参考信号并实现对其故障振动特征信号的提取。本文将该方法与针对旋转机械变速过程的阶比跟踪技术和滚动轴承包络分析技术相结合,提出了基于cICA的旋转机械变速工作过程滚动轴承早期故障分析方法。该方法首先通过包络提取技术在共振带获得包含故障信息的包络信号,再通过阶比分析中的等角度采样将包络信号转换到角域,在角域建立参考信号,并用cICA实现旋转机械变速过程下滚动轴承故障对应冲击性信号成分的有效提取。仿真和测试试验表明,所提出方法适合于旋转机械升降速等变速过程中的滚动轴承初期故障特征信息提取。     

滚动轴承缺陷频谱特征及故障诊断实例

由于使用维护方便、工作性能可靠,滚动轴承在旋转机械中有着广泛的应用,其运行状态的好坏对旋转机械的正常运转起着至关重要的作用。随着状态监测技术的发展和应用,通过提取滚动轴承频谱特征来进行轴承故障诊断的实例越来越多。对应用实践进行总结分析,对滚动轴承频谱特征进行分类,并列举了相应的实例,为滚动轴承故障诊断提供参考。     

除尘风机滚动轴承缺陷故障的精密诊断

据统计,旋转机械中由于滚动轴承损坏而引起的故障约占70%.因此,对滚动轴承的运行状态进行监测和故障诊断具有十分重要的意义.下面是一个诊断实例.一、设备规格,检测参数、位置和方向的选择     

基于时域参数趋势分析的滚动轴承故障诊断

滚动轴承是各种旋转机械中应用最广泛的部件,定期对滚动轴承进行监测和故障诊断具有重大意义.利用时域参数对早期故障的敏感性,结合趋势分析技术,对滚动轴承进行定期检测,得到其峭度、峰值因子、有效值趋势曲线.根据趋势曲线反映的各特征参数变化规律来观测轴承状态的变化趋势或现实状况,并采用LabVIEW图形化编程语言实现了时域参数趋势曲线的直观显示.利用时域参数趋势分析来进行滚动轴承的故障检测与诊断,简单实用,效果明显.     

基于阶次跟踪和总体经验模式分解相结合的滚动轴承升速过程的故障诊断方法研究

对于某些旋转机械(转炉、轧机)来说,一直处于变速运动,因此对变速过程的振动信号进行分析具有重要意义。滚动轴承作为其重要部件,对其升速过程的振动信号进行研究,有助于滚动轴承的故障诊断。提出了一种基于阶次跟踪和总体经验模式分解相结合的诊断方法。首先将升速过程的时域信号转化为角域信号,然后对角域信号进行总体经验模态分解,再用互相关、峭度准则对IMF分量进行提取,最后对提取到的信号进行阶次谱分析。通过实验案例的分析,能够有效的识别滚动轴承故障,进而表明本方法的有效性。     

一种内燃机滚动轴承故障诊断方法

滚动轴承是内燃机旋转连接处重要的零部件之一,其发生故障时会导致整个机器无法运转。论文首先系统研究了调制密度分布(MID)的算法原理,其次通过仿真信号在理论上对其应用效果进行了分析,最后从外圈故障振动信号中分解出相关模态分量,并从其包络谱中识别故障特征频率。仿真分析和外圈模拟点蚀故障试验表明,该方法能够有效提取滚动轴承故障特征。     

基于压缩激励残差神经网络的轴承损伤诊断

滚动轴承是旋转机械的重要零件之一,文中针对滚动轴承损伤类型有效识别问题,提出了一种基于压缩激励残差神经网络的滚动轴承损伤诊断方法。本方法对轴承原始振动信号使用连续小波变换提取特征,形成二维时频样本,再利用样本对压缩激励残差神经网络进行训练,最后在全连接层使用Softmax分类器实现对轴承损伤的分类。用QPZZ-Ⅱ旋转机械振动损伤实验平台数据验证模型性能。实验结果表明：该方法对不同负载下滚动轴承损伤识别的准确率达99.95%,具有良好的泛化性和鲁棒性。     

向心滚动轴承的精化方法

滚动轴承导轨 具有运动灵活、摩 擦力矩较小和承载能力比滚珠导轨大等优点,被广泛应用于超精密加工机床和精密测试仪器(如三坐标测量机等)的垂直和侧面导向系统。滚动轴承导轨的运动直线性,不但与导轨本身的直线度有关,而且与向心滚动轴承的旋转精度有关。一股外购的标准向心滚动轴承适用于高速     

基于深度迁移学习的轴承故障分析

滚动轴承作为旋转机械的核心部件,其运行的稳定性决定了机械运行的可靠性.轴承故障主要出现在滚体、内圈、外圈上,为确保机械的安全、稳定运行,对于滚动轴承故障的分析和预测具有极大的意义.提出了一种基于深度迁移学习的方法用于滚动轴承故障数据的分析与预测,基于同一工况下的轴承各类故障搭建深度迁移学习的模型,加入稀疏自编码器用于提...     

滚动轴承剩余使用寿命预测综述

滚动轴承作为旋转机械的关键零部件,其剩余使用寿命(RUL)预测对生产维修和人身安全具有重要意义。由于滚动轴承复杂多变的工作环境,使得同工况的参考样本少而变工况的参考样本较多,具有不平衡、不完整、无标签及噪声干扰等特性,增加了滚动轴承RUL预测的困难。随着大数据时代的来临和人工智能的发展,滚动轴承RUL预测方法也变得更加丰富。因此,在故障预测与健康管理(PHM)的框架下,对滚动轴承失效模式和故障数据特点进行阐述,对故障特征提取、降维和融合方法以及得到的性能退化指标分别进行了分类和对比分析。结合数据驱动算法,对滚动轴承RUL的预测方法、模型选择和评估标准进行了梳理和对比。最后对滚动轴承RUL预测未来的发展趋势进行了展望。     

滚动轴承故障诊断分析方法研究综述

旋转机械作为当前制造业中最常使用的设备之一，对其系统的安全可靠性提出了很高的要求，而滚动轴承在其中起到举足轻重的作用，若在工程实践当中出现故障小则引起机器失效导致无法正常工作，大则危及现场人员生命安全造成巨大的损失。因此如何实现对滚动轴承的故障检测从而保证旋转机械的安全使用是很一个重要的问题。主要从滚动轴承特征信号提取及诊断两个方面，归纳总结近几年相关领域的重要理论和前沿研究成果。最后，就当下存在的不足，分析可能遇到的挑战，并展望未来的研究趋势。     

滚动轴承故障的全矢小波分析

小波分析可同时从时域和频域两个方面对信号进行分析,结合包络分析十分适合滚动轴承的故障特征提取;基于双通道的全矢小波分析方法不仅对单通道小波分析方法具有兼容性,而且弥补了传统的基于单通道信息进行旋转机械故障特征提取造成的信息量不完整、易导致误诊的弊端。结果表明,在针对滚动轴承外圈故障特征提取时,全矢小波分析方法较小波-包络分析方法具有一定的优势。     

浅析如何最大化滚动轴承的使用寿命

理论上滚动轴承的使用寿命为20000～80000h,但是,滚动轴承在使用过程中由于本身质量和外部条件的原因,其承载能力、旋转精度和耐磨性能等会发生变化。当轴承的性能指标低于使用要求而不能正常工作时,轴     

基于分层稀疏编码的轴承剩余寿命预测方法

剩余寿命预测技术是装备智能维护与智能制造的关键技术。滚动轴承作为旋转机械装备关键零/部件之一,对其进行剩余寿命预测具有重要工程与实际意义,因此提出一种基于分层稀疏编码的滚动轴承剩余寿命预测方法。该方法作为深度学习模型的一种,克服了传统机器学习模型需要大量训练、标签学习以及鲁棒性差的缺点,有效提高了轴承剩余寿命预测精度。实验结果表明该方法具有更高的预测精度和更好的鲁棒性。     

基于AR模型的滚动轴承故障诊断

滚动轴承是旋转机械的重要典型零部件，本文将自回归（AR）模型应用于滚动轴承故障诊断，对其时域信号建立自回归模型，计算出其AR功率谱，并和经典功率谱进行比较，进而判断轴承的工作状态。实验结果表明，该方法能简单有效地识别滚动轴承故障。