Finite Element Analysis of 6300 Deep Groove Ball Bearing

Rolling bearing is widely used in mechanical support, its general components are the inner ring, outer ring, the ball, retainer etc.. Now many companies in developed countries and university in the rolling bearing as the research object, and has made great progress in design theory, the experiment method and production technology etc. We will use the finite element ANSYS to establish the model of deep groove ball bearing. Through the contact analysis, we can get the contact stress between the rings and balls, strain, contact state, penetration, sliding distance and the friction stress distribution. These values are compared to the theoretical values with Hertz theory, and they have better consistency, provide the good theoretical basis for the optimization design of rolling bearings.     

基于差分振子的轴承早期故障可视化检测

运用实验的方法得出了差分振子检测的上下限频率,振子检测的上限频率只要满足采样定理即可.振子的下限检测频率与采样频率有关,在采样频率一定的条件下,振子的下限检测频率大约为采样频率的1/650,当采样频率过高时,不论振子相图收敛于极点还是极环都呈现出饼形.利用差分振子相图变化的特点,对现场数据进行分析,发现了设备故障从无到有的相图变化,为设备状态检测提供了一种方法.     

基于超声信号的轴承润滑状态监测研究

介绍了一种基于超声信号的轴承润滑状态监测与故障识别的方法。通过对不同润滑状态下轴承发出的超声信号特征的提取和分析,研究基于超声信号轴承润滑状态监测与故障诊断的可行性。试验结果显示超声信号幅值直方图可以反映轴承的润滑状态;超声信号幅值与轴承故障程度呈线性关系;不同故障状态下超声信号的特征分析显示有效值和排序熵可以作为特征用于轴承故障的自动识别。     

双自寻优小波去噪方法及其在滚动轴承故障诊断中的应用

阈值和阂值函数的选取是小波阈值去噪方法中影响去噪效果的最重要的两个因素．经典方法与后续诸多改进方法都存在两者之间相互选取无法解决耦合性的问题,难以在噪声环境中提取有用的滚动轴承故障信号．在论述了已有方法中存在的耦合性和数与数组合的问题后,提出了一种双自寻优的方法解决这种问题．双自寻优方法中把所有阈值和阈值函数的参数可能性相互组合,在这些组合中找出最优去噪组合．闽值的寻优范围由信号自身的高频死去值决定,文中给出了解决方案并予以证明,阈值函数的选取本文以带参数的软硬阈值折衷法为基准,其参数寻优范围为0到1．通过模拟轴承信号和真实轴承故障信号的实验结果表明,此算法得到了更高的信噪比和更好的图像外观．     

一种滚动轴承故障的诊断方法

针对滚动轴承的故障特点,提出了一种小波包分析、粗糙集理论和神经网络相结合的轴承诊断方法.利用小波包变换对信号进行适当层次的小波包分解,对信号的频带进行精细的分割,以各个频带信号能量的分布情况作为故障特征量,形成故障诊断决策表;接着根据粗糙集理论进行处理得到更为简明的最优诊断规则;然后根据约简结果,建立了神经网络故障诊断系统;最后以诊断实例验证了该方法的有效性和可行性.     

基于EMD与神经网络的滚动轴承故障诊断方法

针对滚动轴承故障振动信号的非平稳特征，提出了一种基于经验模态分解(Empirical Mode Decomposition，简称EMD)和神经网络的滚动轴承故障诊断方法。该方法首先对原始信号进行了经验模态分解，将其分解为多个平稳的固有模态函数(Intrinsic Mode function，简称IMF)之和，再选取若干个包含主要故障信息的IMF分量进行进一步分析，由于滚动轴承发生故障时，加速度振动信号各频带的能量会发生变化，因而可从各IMF分量中提取能量特征参数作为神经网络的输入参数来识别滚动轴承的故障类型。对滚动轴承的正常状态、内圈故障和外圈故障信号的分析结果表明，以EMD为预处理器提取各频带能量作为特征参数的神经网络诊断方法比以小波包分析为预处理器的神经网络诊断方法有更高的故障识别率，可以准确、有效地识别滚动轴承的工作状态和故障类型。     

轴承试验中心分布式监控管理系统

本文设计了轴承试验中心分布式监控管理系统，系统可对多台试验机进行在线监测，对被试验轴承做实时诊断，有故障时立即报警，并可将整个试验过程数据通过网络传送到上位机进行显示并存储到数据库中，供技术人员分析使用。该系统已在轴承生产企业得到了成功的应用。     

基于EMD和奇异值分解技术的滚动轴承故障诊断方法

提出了基于EMD(Empirical mode decomposition)和奇异值分解技术的滚动轴承故障诊断方法。采用EMD方法将滚动轴承振动信号分解成若干个基本模式分量(Intrinsic mode function，IMF)之和，并形成初始特征向量矩阵。然后对初始特征向量矩阵进行奇异值分解得到矩阵的奇异值，将其作为滚动轴承振动信号的状态特征向量，通过建立Mahalanobis距离判剐函数判断滚动轴承的工作状态和故障类型。实验数据的分析结果表明，本文方法能有效地应用于滚动轴承故障诊断。     

小波包分析在滚动轴承故障诊断中的应用

结合小波包分析和能量谱分析方法 ,提出一种新的滚动轴承故障诊断方法。利用小波包对滚动轴承振动加速度信号进行分解 ,求出各频率段的能量 ,并以此作为滚动轴承发生故障的特征量对振动信号进行重构 ,比较正常信号和故障信号的差异 ,从而识别滚动轴承的故障。通过对于实测信号的分析证明该方法具有特征参量少、故障特征突出等优点 ,可有效地用于滚动轴承的故障诊断。     

电机滚动轴承的寿命计算

简要介绍电机滚动轴承的寿命及其计算公式，通过理论计算了解电机轴承的使用寿命情况以便定期更换，避免因轴承损坏而造成电机烧坏。