基于双谱的滚动轴承局部损伤故障诊断方法研究

针对故障滚动轴承振动信号的耦合特征,将双谱和双相干谱分析方法用于滚动轴承故障特征的提取,给出了外圈、内圈、滚动体局部损伤三种不同状态下轴承振动信号的双谱及双相干谱图,基于双谱形成了故障特征向量。试验表明,对于损伤元件不同的轴承故障,双谱特征图谱存在明显的差异,而且双谱比双相干谱更有利于故障特征的提取,为局部损伤轴承的故障诊断提供有效的方法。     

基于虚拟仪器技术的滚动轴承故障诊断实验台的设计

介绍滚动轴承试验台系统的设计方案。该系统以工作台、一系列传感器、信号调理、数据采集卡、PC机为硬件开发平台,以图形化编程语言LabVIEW为软件开发平台,将虚拟仪器技术运用到滚动轴承故障诊断中来,使得系统的测控功能更加强大,测控过程更加方便。     

滚动轴承故障诊断的研究

针对滚动轴承故障信号的非平稳和调制特点,使用小波分解,对包含故障信息的信号进行分解、重构。应用Hilbert变换进行解调和细化频谱分析,提取了故障特征频率,判断出滚动轴承故障模式。小波分解和Hilbert变换结合对滚动轴承局部损伤故障的检测是有效的。     

基于小波时频框架分解方法的滚动轴承故障诊断

损伤点通过其它元件时引起的周期性冲击是判断滚动轴承局部损伤故障的关键特征信息.针对滚动轴承的振动特点,设计了小波时频框架,利用框架分解方法在匹配信号特征结构,直接提取特征信息方面的优势,分析了滚动轴承的振动信号.根据框架分解结果,在时频联合域内清晰直观地提取了滚动轴承局部损伤故障的周期性冲击特征,识别了滚动体、内圈和外圈的单点缺陷,与小波变换的对比验证了框架分解在检测滚动轴承局部损伤故障方面的有效性.     

基于STFT的振动信号解调方法及其在轴承故障检测中的应用

从信号滤波角度,对基于STFT的振动信号解调方法的原理和影响其解调性能的各种因素进行了严格的理论分析,指出该解调方法实质是基于复解析带通滤波的Hilbert变换解调法.严格证明了在利用Hilbert变换进行包络解调分析时,只要带通滤波器通带范围包括调制信号的部分频率成分,就可解调出被调制信号的周期成分.为了避免对所有的解调信号序列进行包络谱分析,提出按峭度值最大化准则选择一组含有丰富故障信息的解调信号序列进行包络幅值谱分析.基于以上讨论,给出了实用的基于STFT的振动信号解调算法.为了验证提出的解调算法的有效性,用该算法对仿真和实际轴承故障信号进行了解调分析,分析结果表明,利用该算法能有效地检测轴承故障.     

奇异谱分析在机械设备故障诊断中的应用

在重构相空间重构吸引子的基础上,提出一种基于奇异谱分析的设备故障诊断方法。基于奇异谱理论介绍了该方法的基本原理,并给出该方法的实现步骤。实验研究表明,该方法可以显著降低噪声信号,有效地提高信噪比,并且能保留与噪声信号的频谱相混叠的系统信号,突出故障的信息特征,可大大提高设备故障诊断的准确性,它同时还具有良好的瞬态信息提取能力。     

声信号的主分量分析应用于滚动轴承故障诊断

利用声信号来进行故障诊断具有"采集比较容易,非接触式测取,设备简单,速度快,无须事先粘贴传感器,不影响设备正常工作,易于实现早期预报和在线监测,疳可在不易测量振动信号的场合得到广泛应用"等优点.由于外界噪声的影响,有效信息的提取较为困难.采用主分量分析对传声器测取的声信号进行了预处理;在此基础上应用基于Morlet小波变换的包络分析和频谱分析来提取故障特征向量,并以滚动轴承为例进行实验.结果表明,这是诊断滚动轴承早期故障的一种可选方法.     

声发射检测技术用于滚动轴承故障诊断的研究综述

声发射是材料受力变形产生弹性波的现象,故障滚动轴承在运转过程中会产生声发射.从几个方面综合阐述了国内外轴承故障声发射检测技术的研究和发展现状,即轴承故障声发射信号的产生机理,故障声发射信号的传播衰减特性,声发射信号的参数分析法和波形分析法对故障特征的描述,轴承故障声发射源的定位问题,根据信号特征进行故障模式识别以及声发射检测和振动检测的比较问题.通过分析总结出滚动轴承声发射检测技术下一步的研究方向,并指出滚动轴承故障的声发射检测是振动检测的有力补充工具,特别是在轴承低转速和故障早期的检测中更能发挥作用.     

基于人工免疫系统的复合故障诊断技术研究

鉴于多缺陷并存的故障对无量纲指标影响不明显这一特性,直接从各个单独故障的无量纲指标值诊断复合故障,得知无量纲指标值对复合故障的诊断整体不是太理想。针对这一点,先利用对单独故障比较敏感的无量纲指标结合人工免疫系统的阴性选择机制构建无量纲指标免疫检测器,再采用将复合故障特征直接生成无量纲指标免疫检测器的方法来诊断复合故障。该方法操作简单,仿真试验验证该方法的有效性。     

旋转机械故障诊断的神经网络方法研究

BP神经网络具有较好的非线性映射能力,可以描述频率特征和故障之间的关系,而概率神经网络学习规则简单、训练速度快、避免局部极小和反复训练的问题。根据两种神经网络的原理选择合适的参数建立两个旋转机械故障诊断模型,并利用模型对某旋转机械的故障数据进行处理,结果显示两种网络在故障诊断方面的实用价值。通过对故障数据的结果对比可以看到PNN网络比BP网络具有更好的容错能力。     

基于LabVIEW的滚动轴承故障诊断方法

滚动轴承经常工作于多工况、变工况条件下,加之各振源间相互耦合、非线性强等特点,极易诱发系统中轴承零部件的故障.因此,设计滚动轴承故障诊断软件是十分必要的.本文基于LabVIEW设计了滚动轴承的故障诊断界面,主要分为数据采集界面、时域界面、频域界面、智能诊断界面,能够实现对滚动轴承的离线诊断和在线诊断.     

基于VMD-IMDE-PNN的滚动轴承故障诊断方法

为了提高滚动轴承故障诊断的准确性,提出一种变分模态分解( Variational Mode Decomposition,VMD )、改进粗粒化多尺度散布熵( Improved Coarse-grained Multi-scale Dispersion Entropy,IMDE )和概率神经网络(Probabilistic Neural Network,PNN )相结合的滚动轴承故障诊断方法。首先对振动信号进行VMD处理,根据互相关系数准则筛选最佳模态分量,突显振动信号的故障特性;然后针对多尺度散布熵（Multi-scale Dispersion Entropy,MDE）不稳定的缺点,对MDE的粗粒化过程进行改进,提出IMDE的非线性分析方法。模拟信号分析结果表明,相比于MDE方法,IMDE方法降低了熵值波动,提高了熵值稳定性。将两种方法运用于实际滚动轴承实验数据,发现相比于MDE,IMDE熵值曲线更平滑稳定,不同滚动轴承状态下的IMDE熵值曲线区分更加明显。最后采用PNN对提取的特征进行识别,与MPE-PNN,MDE-PNN以及VMD-MDE-PNN方法相比,所提的MD-IMDE-PNN方法能精确地识别滚动轴承的故障类型,且识别率更高。     

多模型融合下的滚动轴承故障诊断方法

针对单一分类器对于轴承故障诊断精度低的问题,提出一种多模型融合的滚动轴承故障诊断方法。首先对于滚动轴承的原始振动信号采用WELCH功率谱算法进行预处理,然后从功率谱中提取相关特征参数构成输入样本,分别采用LDA、SVM、KNN以及PNN四种分类器作为基分类器,再结合集成学习算法构造Stacking 集成学习模型,实现对滚动轴承多种故障类型的预测分类。实验结果表明,相比较各个单一分类器,Stacking-SVM集成模型的诊断性能更优,诊断准确率为98 %。同时将该集成模型在不同工况下进行实验及抗噪实验,均能达到较高的诊断准确率。可见该集成模型的故障诊断性能稳定,具有一定的鲁棒性和泛化能力。     

基于近场声全息的滚动轴承故障诊断

滚动轴承在工业生产中起着关键作用,对其进行故障诊断研究具有重要意义。目前轴承诊断主要以振动信号分析为基础,而获取振动信号受接触式测量限制,声学故障诊断（ABD）具有非接触式测量的优点,但传统基于单通道的ABD存在测点选择难与局部诊断的不足。联合近场声全息（NAH）和灰度—梯度共生矩阵（GLGCM）并应用于滚动轴承故障诊断,利用NAH重建各轴承运行状态下的声场,得到声源附近重建面处的声像图,再从声像图中提取GLGCM特征,建立声场特性与轴承运行状态的内在联系,结合支持向量机模式分类,实现轴承故障诊断,实验研究证实方法的可行性与有效性。     

基于改进耦合增强随机共振的滚动轴承故障诊断

针对强背景噪声下经典随机共振方法对滚动轴承故障特征提取效果差的问题,提出了一种基于改进耦合增强随机共振的滚动轴承故障诊断方法。首先,利用一个定参双稳系统和一个变参双稳系统构成耦合随机共振系统,外部输入直接作用于定参双稳系统;然后,通过调节变参双稳系统参数和耦合系数实现耦合系统的随机共振控制,并借助遗传算法实现控制参数的自适应选取。实验和工程应用验证了所提方法的有效性和优越性。     

基于经验模式分解的滚动轴承故障诊断方法

针对水泵电机轴承故障振动信号噪声大和非平稳性的特点,提出了基于经验模态分解的诊断方法;通过对原始信号进行经验模态分解,得到包含故障特征的固有模态分量,从而可以提取出故障频率.该方法应用于外圈、内圈和滚动体故障诊断,取得了很好效果.     

基于IVMD和马田系统的滚动轴承故障检测方法

针对滚动轴承运转信号单一特征参数对早期故障的敏感性、可靠性问题,提出一种基于IVMD和马田系统的滚动轴承故障诊断方法。该方法首先根据谱相关系数确定VMD分解层数;其次,通过VMD方法对机械振动信号进行处理得到一系列有限带宽固有模态函数,并计算各模态函数的特征参数,在此基础上构建MTS系统的基准空间。引用信噪比的方法筛选有效特征变量,并重新构建MTS的基准空间。最后,计算待诊断信号到基准空间的马氏距离来检测轴承故障,建立滚动轴承早期故障的诊断控制指标。     

基于数据增强的滚动轴承智能故障诊断方法

目的 针对包装机械设备中滚动轴承应用场景多且有效故障数据难采集而导致的智能诊断方法诊断准确率较低的问题,提出一种基于数据增强的滚动轴承智能诊断方法.方法 首先根据轴承振动信号的故障特征,提出一种数据增强方法,有效扩充训练数据样本多样性.然后采用卷积神经网络对原始样本和增强样本进行故障诊断训练,从而大幅度提高诊断模型的诊断性能.为了验证所提方法的有效性,建立滚动轴承故障试验台并采集轴承故障数据.结果 实验结果表明,在标签训练样本不充足的情况下,提出的方法与不使用数据增强方法相比,模型在诊断准确率方面取得了较大的提高,能够准确地识别各类轴承故障.结论 该方法实现了准确地对稀缺标记样本下滚动轴承故障的诊断,为保证包装机械滚动轴承故障诊断的诊断精度提供了可靠的方法.