滚动轴承外圈多点故障特征分析

滚动轴承发生多点故障时会产生复杂的振动特征,影响轴承故障诊断的准确性。针对滚动轴承外圈多点故障诊断特征的变化规律,考虑滚动轴承外圈故障数量、故障间隔和载荷分布对故障特征的影响,采用五自由度动力学模型进行仿真分析。通过龙格库塔法对动力学方程进行数值求解,分析了滚动轴承外圈单点故障和多点故障的诊断特征。结果表明:当外圈具有多点故障时,随着故障数量和故障间隔的变化,故障特征频率各谐波的幅值会发生变化;当多点故障满足载荷相等和一定的间隔关系时,故障特征频率值与故障数量之间呈现对应的倍数关系。通过滚动轴承多点故障模拟试验验证了结论的正确性。     

基于CNN并引入EMD预处理机制的滚动轴承故障诊断方法

滚动轴承故障信号具有非线性、非平稳、强噪声特性,传统算法依赖于人工特征提取且缺乏自适应性。为此,该文利用经验模态分解(EMD)将原始特征集分解为一系列平稳的本征模态函数(IMF),结合相关系数遴选能突出更多局部特征的IMF构建特征向量,剔除部分噪声干扰信号。构造卷积神经网路(CNN)的多层特征提取网络,以遴选的特征向量为输入将其逐级变换为抽象的深层特征,最后完成特征域到故障类别域的映射。实验结果表明,该算法相比较其他方法具有更高的准确率、更好的鲁棒性。     

非线性调频模态分解-同步提取变换方法及其在滚动轴承故障诊断中的应用

传统同步提取变换(SET)方法在处理多分量非平稳复杂信号时,各相邻分量的瞬时频率差要大于窗函数频率支撑范围的2倍,否则时频结果易发生频率混叠,而工程信号常常难以满足.此外,在处理高噪的复杂信号时,其时频分辨率往往不理想.针对此不足,将非线性调频模态分解(VNCMD)引入SET中,提出一种VNCMD-SET的故障诊断方法...     

基于 MSK-SVM 的滚动轴承故障诊断方法

针对非线性支持向量机分类准确率受核函数影响的问题,提出一种多尺度核支持向量机(multi-scale kernel support vector machine, MSK-SVM)分类模型,并将该模型应用于滚动轴承故障诊断。该模型在常用的多项式核、高斯核和Sigmoid核函数基础上,引入了Morlet、Marr和DOG小波核函数。利用不同核函数的全局性和局部性以及核函数尺度参数不同作用范围不同的特点,组合具有不同特性及不同尺度参数的核函数作为多尺度核。基于梯度下降法,自适应地确定多尺度核函数权值,得到MSK-SVM滚动轴承故障诊断模型。为说明算法有效性,分别基于滚动轴承故障数据集和全寿命周期数据集进行了实验验证,并分析了基于不同特性MSK和相同特性MSK的SVM模型分类性能。结果表明本文所提模型较传统单个核函数SVM分类准确率更高,且具有良好的泛化能力。     

应用 Adabelief 优化器的 MSDNet 在多工况下 滚动轴承的故障诊断

针对滚动轴承在多工况条件下故障特征难以识别的问题,从数据驱动的角度出发应用一维多尺度密集网络(MSDNet)对轴承进行故障诊断。首先,将时域信号作为MSDNet的直接输入,保持了信号本有的固有特性;其次采用3个并行卷积操作来提取轴承故障信号内部的多尺度信息,密集网络的加入防止了信息传递过程中的特征丢失,适当缓解了模型中的梯度消失问题;然后训练过程中采用Adabelief优化算法优化模型参数,使得模型在快速收敛的同时又提高了其泛化性能;最后通过混淆矩阵和特征可视化图展示出模型的分类性能,在凯斯西储大学轴承实验数据集和西安交通大学数据集上进行了多次实验,应用该算法故障识别率可达到98%以上,证明了该方法的有效性。     

基于EEMD的声阵列滚动轴承故障诊断

研究针对滚动轴承故障诊断中的类型和位置分析问题,提出了一种基于集合经验模态分解(EEMD)的声阵列滚动轴承故障诊断分析方法。以EEMD分解信号的峭度和能量作为评价指标,提取包含故障信息的IMF分解信号,根据滚动轴承理论故障频率及其倍频分析对分解信号进行窄带滤波后通过Hilbert包络谱实现故障类型判断,通过对窄带滤波后的分解信号使用声阵列技术进行声像分析实现滚动轴承故障定位分析。最后通过试验进行了方法验证,结果表明过使用基于EEMD分解的阵列分析方法,可更为直观确定故障位置和故障类型,有利于有轨机车等多轴承驱动系统轴承故障的快速和实时诊断,对于确定检修、制定合理维修决策、改进维修质量具有十分重要指导意义。     

刮板输送机滚筒内孔夹具紧固件的改进

为了克服车削刮板输送机滚筒内孔定位不准、工件只能低速切削的问题,通过采用紧固件做夹具体的理想轨道,利用滚动轴承的滚动代替滑动,有效地减小了工件与夹具体之间的摩擦,并极大地提高了加工刮板输送机滚筒内孔主轴的速度,保证了加工质量,提高了加工效率。但在实际加工滚筒内孔的过程中由于紧固件是圆环型,加工完工件的一端需拧松锁紧顶丝后取下紧固件,     

基于自适应增强差分积形态滤波器的滚动轴承故障特征提取方法

为了在强背景噪声下提取滚动轴承微弱的故障特征信息.提出一种新的自适应增强差分积形态滤波方法(Adaptive enhanced difference product morphological filter,AEDPO)用于滚动轴承早期的故障诊断.首先,结合已有的四种形态学滤波算子滤波的能力,提出一种改进的增强差分积形...     

基于多层交叉残差网络的轴承故障诊断方法

重型机械设备系统朝着智能化和复合化方向快速发展。开发智能故障数据采集和监控方法,可以快速、智能化地完成设备故障诊断。提出了一种基于多层残差网络的轴承智能检测模型。该模型主要包含信号采集、故障特征分离和工况分类3个模块。该模型利用多层残差神经网络交叉提取轴承信号故障,使损失函数值可以迅速降低完成故障诊断。最后在凯斯西储大学滚动轴承数据集验证,准确率高达99.86%。仿真实验结果证明本模型可以有效分辨不同轴承工况,并值得进一步开发为在线实时诊断模型。     

基于LCD和改进SVM的轴承故障诊断方法

针对滚动轴承极易损伤,振动信号表现出非线性、非平稳性等特点,提出一种基于局部特征尺度分解(LCD)和改进支持向量机(SVM)的滚动轴承故障诊断算法。首先对采集到的轴承振动信号进行LCD,分解得到一系列内禀尺度分量(ISC),通过与经验模态分解(EMD)对比研究,证明了LCD方法的优越性;然后计算所有分量的能量熵值,提取出轴承信号的敏感特征集,输入到经过遗传算法(GA)进行参数优选后的SVM识别模型进行轴承状态的诊断识别。实验研究表明,基于LCD和改进SVM的轴承诊断算法能较好地提取出轴承故障特征信息,对4种轴承状态的识别率高达90%,是一种较为有效的轴承故障诊断方法。