基于小波分析的铺网机传动辊轴承故障诊断

铺网机传动辊轴承振动信号调制源多呈现出非平稳性等特点，导致常规的傅立叶分析诊断故障效果不佳的情况。本文提出了一种应用小波变换的时频分析方法，对振动信号进行分解和重构处理，获得了振动信号在不同的频段的分量，提取相应特征频段重构分量的功率谱的频域统计值作为特征参数，进行轴承故障诊断。试验结果显示该方法对铺网机传动辊轴承故障诊断有很好的效果。     

小波分析在纸机压榨部轴承故障诊断中的应用

针对纸机压榨部滚动轴承尺寸大响应弱、运转速度低、低频信号容易淹没、调制源多、振动信号非平稳性等特点而导致常规的傅立叶分析诊断故障效果不佳的情况，提出了一种应用小波变换的时频分析方法，对振动信号进行分解和重构处理，获得了振动信号在不同的频段的分量，提取相应特征频段重构分量的功率谱的频域统计值作为特征参数。从而实现对轴承故障诊断。试验结果显示该方法对纸机压榨部故障诊断有很好的效果。     

基于小波-频谱分析的滚动轴承故障诊断的应用研究

对于实际工作中的轴承发生故障时,其故障冲击的能量小,干扰噪声多。直接采用频谱分析得到的频谱图谱线比较密集,有时很难鉴别出故障。本文利用小波多分辨分析能对信号进行不同频段分解特点,研究了小波-频谱分析在滚动轴承故障诊断中的应用。通过对滚动轴承外圈、内圈和滚动体三种不同的早期故障的实验信号进分析,结果证明该方法可以有效的鉴别出滚动轴承的不同故障。     

纺粘法非织造布生产线成网机设计

介绍了纺粘法非织造布生产线成网机的设计,并通过分析软件COSMOSFloWorks对一些设计进行分析验证。     

钢带压光机导辊轴承故障诊断案例

采用振动状态检测和故障诊断技术,对滚动轴承的故障信号进行分析,确定轴承的故障部位,及时对故障轴承进行更换,为设备维护工作提供有力的保障.     

双尘笼气流成网机的研究与设计

本文在全面对比分析国内外单尘笼气流成网机技术性能和技术缺陷的基础上,从几个方面提出了独到的见解和创意,详细论述了该机主关键结构的设计思想及设计方法,并给出了必要的数理分析和公式推导。     

浅谈气流成网机的技术改进

对气流成网机的工作原理进行了论述,探讨并提出了改善成网质量和提高产量的一些途径。     

气流成网机的技术研究和改进

论述了气流成网机的工作原理,介绍了在提高气流成网质量方面所进行的研究工作,探讨了改善成网质量和提高产量的途径。     

关于双向输入夹持式铺网机的探讨

结合传统铺网机的应用,探讨双向输入夹持式铺网机的结构、工作原理、技术特点和优越性。     

基于小波变换的包装机械故障诊断方法的研究

文中介绍了小波分解在包装机械故障诊断中的优点 ,并通过对包装机械振动信号特征进行分析 ,指出该类信号用频谱分析的方法不能得到有效的特征。由于小波分析具有传统频谱分析方法所没有的时—频分析特征 ,通过小波逼近系数能得到机组实际振动的大小 ,从而准确诊断出故障 ,本文通过实例得以证明     

滑动轴承故障诊断方法的实用性分析研究

通过对滑动轴承主要失效形式和机理的分析说明,尽管引起轴承故障的原因形形色色,但所导致的结果都是破坏液体润滑,使轴与轴承产生接触摩擦。因此将滑动轴承简化为一多输入(多种故障原因)——单输出(接触摩擦)的灰色系统模型,并以滑动轴承各种故障的共同特征——接触摩擦作为滑动轴承故障诊断研究的惟一故障基准模。根据上述研究思路,对静、动载荷工作条件下滑动轴承的故障诊断进行了大量的实验研究。实践表明,本文提出的诊断原则诊断效率高,实用性强,可借鉴用于许多领域的故障诊断。     

基于BI-TCP卷积神经网络的纸机轴承故障诊断方法研究

针对传统纸机轴承故障诊断模型无法有效提取轴承振动信号深层特征而导致诊断精度难以提高,基于深度学习网络模型参数量过大的问题,提出了一种基于双模态输入和双通道并行卷积神经网络（BI-TCP-CNN）的纸机轴承故障诊断方法。该方法首先在输入数据方面进行创新,将轴承振动信号分别转化为对应的格拉姆角场（GAF）矩阵与欧式距离矩阵,并将二者成对组成的二维矩阵作为网络的输入;其次,利用双通道并行的浅层卷积神经网络提取信号中的不同特征并进行融合,在提高特征完备表达的同时大幅降低了模型的参数量。在凯斯西储大学（CWRU）数据集与实验室搭建的故障诊断实物平台上进行的实物验证结果表明,该方法在CWRU数据集以及实物平台上的故障识别精度均在99.2%以上,可很好地实现对纸机轴承的故障诊断。     

基于EMD平均能量法的滚动轴承故障诊断

文中提出了一种用于滚动轴承故障诊断的系统一基于EMD和BP神经网络相结合的诊断系统。该方法首先对原始振动信号进行小波包预处理,提高信噪比,从而得到更适合研究的故障振动信号。然后再对信号进行EMD,分解得到IMF分量,对几个感兴趣的IMF进行分析,获得每个IMF分量的平均能量,作为BP神经网络的输入向量,由此训练神经网络,实现了对滚动轴承故障的智能诊断,并用实际的滚动轴承故障数据进行了验证。图6表2参12     

一种面向大负载低转速轴承的故障诊断方法

造纸生产线上,有很多大负载、低转速的旋转设备,其轴承在承受较重载荷时,极易受到损伤,导致设备故障,甚至造成停机。因此,大负载低转速轴承的在线故障诊断非常重要。本课题在对大负载低转速轴承振动的诊断难点及当前故障诊断常用方法分析的基础上,提出了一种基于快速谱峭度包络解调分析的轴承故障诊断方法。首先采用快速谱峭度法计算振动信号的最大谱峭度值,确定最优的带通滤波器系数,然后利用带通滤波器对振动信号进行降噪处理,最后利用希尔伯特变换方法对降噪信号进行处理,分析包络谱,得到诊断结果。借助团队自行设计的轴承故障实验台,对本课题所提方法的优缺点和适用性等进行了实验研究,验证了本课题算法的有效性,并为工程应用提出了建议。     

基于谱峭度Morlet小波变换法和经验模态分解的滚动轴承故障诊断研究

本研究针对轴承早期故障信号微弱不易检测的缺陷,提出了一种基于谱峭度Morlet小波变换法和经验模态分解的轴承早期故障信号检测与增强的方法.该方法把谱峭度引入到Morlet小波中,根据谱峭度变化寻找Morlet小波的最佳匹配参数,最大限度地增强故障弱信号;然后对信号进行经验模态分解,以信号相关系数大小确定重构信号的基本模态分量,对重构信号进行包络分析完成故障诊断.实验结果验证了此方法在滚动轴承早期故障诊断中的良好应用效果.     

基于支持向量机的造纸废水处理过程故障诊断

故障检测和故障诊断是工业过程监控的主要内容。针对造纸废水处理过程的多变量、非线性、大时变等特点,本课题首先采用主成分分析（PCA）对故障进行检测,然后分别采用马氏距离判别分析和支持向量机(SVM)对偏移、漂移和精度下降3种故障类型进行故障诊断。计算结果表明,基于主成分分析的故障检测率达97.50%;基于支持向量机故障诊断方法的故障分离能力为90.00%,而基于马氏距离判别分析方法的故障分离能力为73.75%。相比基于马氏距离判别分析的故障诊断方法,基于支持向量机的故障诊断方法更适合于非线性时变的造纸废水处理过程。