滚动轴承故障振动模型及其应用研究

建立了滚动轴承外环、内环和滚动体存在局部故障的振动模型，模型综合考虑了滚动轴承的几何尺寸、轴的转速、轴承静态载荷分布、振动传递函数和故障点位置的影响．在自行火炮实车上进行了一系列变速箱滚动轴承故障试验，试验结果验证了滚动轴承故障振动模型的有效性     

滚动轴承故障程度识别

针对实际运行滚动轴承的故障程度问题,提出一种诊断滚动轴承故障程度的方法.深入研究滚动轴承的故障机理、振动信号的时域特征以及不同程度故障对滚动轴承运行的影响进行了,广泛分析振动特征提取方法和支持向量机的算法,采用了小波包能量法提取状态特征,使用新型二叉树支持向量机的多类分类算法.实验结果表明采用小波包提取状态特征和支持向量机可以滚动轴承故障程度识别,模型的学习、泛化能力强.     

滚动轴承故障诊断系统研究

在对滚动轴承振动信号特征分析的基础上，建立了AR模型，利用AR模型参数建立径向基函数神经网络，并用该网络对滚动轴承的故障模式进行了识别。最后应用Matlab语言强大的计算功能，建立了滚动轴承故障诊断系统。理论和试验证明了该系统的有效性，且具有较高的识别精度。     

小波变换与滚动轴承振动的故障诊断方法研究

简要综合介绍了滚动轴承振动及故障诊断的方法及小波变换在滚动轴承故障特征提取中的应用.通过对滚动轴承故障信号的分析表明,该方法可以分析出滚动轴承振动的故障信号,确定轴承振动的故障部位.     

小波减噪和双谱分析在轴承故障诊断中的应用

提出了基于小波减噪技术和双谱分析的滚动轴承故障诊断的方法。利用小波变换及其减噪技术对滚动轴承早期微弱故障振动信号的特征频率进行提取，采用双谱估计可绘出滚动轴承故障信号的特征图谱。实验表明，小波减噪和双谱分析方法可以敏感地监测滚动轴承工作状态，并且利用特征图谱可以有效地识别滚动轴承不同的故障特征。     

基于EMD和自适应STFT的货车滚动轴承故障诊断

提出了一种结合经验模态分解(EMD)和自适应短时傅里叶变换(STFT)的铁路货车滚动轴承故障诊断方法.该方法应用EMD方法把滚动轴承振动信号分解成有限个平稳的内蕴模型函数(IMF);根据滚动轴承故障信号的分布特征,应用以三阶B样条函数作为窗函数、在不同频段自适应选取窗长的自适应STFT对第一个IMF分量进行时频分析和故障信息提取.本文还对197726型货车滚动轴承在外圈剥离、内圈剥离两种故障状态下的振动信号做了分析,结果表明,该方法可以有效地在时频域上获取故障信息,为铁路货车滚动轴承故展诊断提供了一种新的方法.     

基于深度特征提取神经网络的滚动轴承故障诊断

滚动轴承作为旋转机械的重要组成部分,其运行安全性受到大量关注,但传统的基于信号处理的时频分析故障诊断方法较为依赖专家知识从而难以广泛应用。结合应用较广的卷积神经网络和长短时记忆网络模型的优点-自动提取振动信号的深层特征信息以及可识别所提取的长时连续的振动信号时序特征信息,提出一种深度特征提取神经网络模型,将原始的振动信号作为模型输入,进而通过多层卷积与长短时记忆网络对振动信号进行故障特征信息提取,可以有效提取滚动轴承振动信号中的深层时序故障特征信息,进而准确辨识滚动轴承不同的故障模式,并且避免了复杂的信号预处理与人工进行信号特征提取的过程。通过凯斯西储大学滚动轴承故障实验的10类健康状态数据验证了所提方法的有效性,并对实验结果进行分析,解释了在迭代过程中出现精度波动的可能原因。     

基于小波包分解的滚动轴承故障诊断

提出了一种基于小波包分析的滚动轴承故障诊断方法用于实现滚动轴承早期故障的检测.该方法的诊断过程如下:对轴承原始振动信号进行频谱分析,获取振动信号能量集中的频段.根据频段的范围和振动信号的采样频率确定小波包分解的层数.采用小波包分解的方法提取滚动轴承振动信号中能量集中的频段并生成相应的重构信号,对重构后的振动信号进行Hilbert变换和二次频谱分析.通过对比轴承故障的特征频率和二次频谱中的特征谱线判断轴承是否有故障及其发生位置.运用上述方法对具有外环故障的滚动轴承进行了实验研究并成功地实现了滚动轴承外环故障的检测.实验结果表明基于小波包分析的诊断方法可以有效诊断出滚动轴承的早期故障.     

基于EMD与多重分形去趋势法的轴承智能诊断方法

引入经验模态分解(EMD)方法去除故障信号的趋势项,提出EMD-MFDFA(multifractal detrended fluctuation analysis)的多重分形分析方法,并通过仿真分析EMD方法去趋势效果的有效性。然后将采用EMD-MFDFA方法提取的电机滚动轴承振动信号的多重分形特征向量作为训练集,利用混合遗传算法搜索全局最优的能力优化支持向量机(SVM)模型参数,建立电机滚动轴承的智能诊断模型。最后,通过对电机滚动轴承不同状态的振动信号进行分析。研究结果表明:EMD-MFDFA方法能很好地揭示滚动轴承的振动信号多重分形特性,对滚动轴承正常状态、单一故障与多故障耦合等状态具有很强的辨识能力;所建立的智能诊断模型可以有效地诊断滚动轴承不同的故障状态,能够作为滚动轴承故障在线监测的有效工具。     

基于小波域威布尔分布模型的电机滚动轴承故障诊断

电机轴承的运行状态是否正常，通常可以通过分析电机的滚动轴承的振动信号得到诊断结果.因此，分析和研究电机轴承振动信号是滚动轴承研究的热点.首先对电机滚动轴承振动信号进行降噪等预处理，并对预处理的振动信号进行小波分解，再对小波分解系数进行单支重构，得到不同尺度下的单支重构信号；接着对单支重构信号分别建立威布尔分布模型，并验证模型的恰当性，然后求取单支重构信号的威布尔分布模型的尺度参数和形态参数；最后将模型的尺度参数和形态参数输入SVM模式识别器进行故障诊断和模式识别，识别结果表明其参数能较好地表征电机轴承的运行状态.实验结果证明所提方法能较好地诊断电机轴承的故障.     

基于小波分析和支持向量机的轴承故障诊断

滚动轴承的故障诊断对于旋转机械的正常可靠运行具有重要意义。采集滚动轴承正常、内圈故障、外圈故障及滚动体故障四种工况下的振动信号,对振动信号进行三层小波包分解,将第三层的小波包系数进行重构并计算每个子频带系数的对数能量熵,得到滚动轴承在不同工况下的特征向量。基于抽取到的特征向量建立支持向量机模型,实现对滚动轴承不同故障类型的识别。支持向量机参数采用网格搜索法进行寻优,惩罚参数为2048,核函数半径为0.03125,模型在测试集上的预测准确率为100%。本文研究表明,小波包对数能量熵特征提取结合支持向量机是一种较为有效的滚动轴承故障检测方法。     

含局部故障的滚动轴承动力学建模及振动分析

基于ANSYS/LS-DYNA软件建立了健康圆柱滚子轴承的二维显式有限元模型,并从轴承运动学的角度验证了本文所建有限元模型的有效性.在健康圆柱滚子轴承模型中引入利用圆周矩形模拟的内、外滚道局部剥落故障,建立含局部剥落故障的圆柱滚子轴承有限元模型,分析了故障区边缘单元的等效应力和滚子滚过内外圈局部缺陷的过程.将仿真结果与实验测试结果对比分析,证明了本文所建立的含局部剥落故障的圆柱滚子轴承有限元模型的正确性.在此基础上,研究了局部故障区域平滑程度对滚动轴承振动特性的影响,故障区域越平滑,振动响应越小.研究结果可为滚动轴承故障诊断提供一定参考.     

基于混沌分形理论的滚动轴承微小故障诊断

为提取轴承微小故障的故障特征,提出一种基于混沌分形理论的滚动轴承故障诊断方法。通过计算滚动轴承振动信号的最大Lyapunov指数,进行轴承运动的混沌识别;然后,对具有混沌特性的振动信号,计算关联维数和盒维数作为故障诊断的状态特征量。当关联维数不能明显区别轴承故障时,利用关联维数与盒维数相结合的方法判别故障;最后,选取滚动轴承滚动体、内圈、外圈存在微小故障和较明显故障以及正常状态7种工况的振动信号进行实验。研究结果表明:该方法能准确提取故障特征并完成滚动轴承的微小故障诊断。该方法为滚动轴承故障诊断提供了新的有效途径。     

基于多尺度熵的滚动轴承故障诊断方法

针对滚动轴承故障振动信号具有不同复杂性的特点,提出了一种新的基于多尺度熵(multi-scale entropy,简称MSE)和支持向量机的滚动轴承故障诊断方法.该方法首先利用MSE方法对滚动轴承不同类型振动信号进行故障特征提取,然后与样本熵方法对比说明MSE方法相对于样本熵方法的优势,最后通过适合小样本分类的支持向量机作为分类器来识别滚动轴承故障类型.对实验数据分析的结果表明,该方法能有效地实现滚动轴承故障类型的诊断.     

一种自适应形态滤波算法及其在轴承故障诊断中的应用

针对工程实际中的故障诊断受限于零部件故障先验知识缺乏、振动信号调制及噪声成分复杂等问题,提出了一种滚动轴承故障诊断的自适应形态学滤波方法。在对基本形态算子和组合形态算子原理分析的基础上,利用非线性滤波器幅频响应分析法,获得了不同形态算子的滤波特性,定量分析了结构元素尺度参数对滤波效果的影响。对典型的滚动轴承故障模型及振动信号进行分析,获得了故障轴承运行的主要特征,确定了结构元素尺度参数选定策略,数值仿真实验验证了该方法的可行性。进行滚动轴承实验振动信号分析,结果表明,与参数优化的组合形态滤波差值算子(CMFH)相比,所提方法至少将信号的特征幅值能量比提高了29.8%、算法效率提高了50.0%,可清晰、准确、快速地将滚动轴承外圈和内圈的故障特征呈现出来,进一步证明了该方法在机械故障诊断应用上的可靠性和实用性。     

基于Hilbert变换的滚动轴承内环和外环故障诊断

针对滚动轴承的外环和内环发生故障时轴承产生的振动信号具有调制的特点,提出基于Hilbert变换的滚动轴承内、外环故障诊断方法,介绍基于Hilbert变换的调制信号解调过程:运用Hilbert变换对滚动轴承的振动信号进行包络解调,实现载波和调制波的分离.通过对调制波进行频谱分析实现滚动轴承内、外环故障的诊断,对具有内环故障和外环故障的滚动轴承进行故障诊断仿真.仿真结果表明:基于Hilbert变换的包络解调技术能有效提取调制信号中的包络信号,对包络信号进行频谱分析后可以实现滚动轴承内、外环故障的诊断;诊断结果与实际故障相吻合,基于Hilbert变换的包络解调技术可应用于滚动轴承内、外环故障的诊断.     

基于振动分析的滚动轴承故障诊断技术概述及发展趋势

旋转机械的故障约有30%是因滚动轴承引起的。本文主要介绍了滚动轴承在运行过程中的产生振动信号的特征,重点描述了滚动轴承常用的振动信号的分析方法,预测了基于振动分析的滚动轴承故障诊断技术的发展趋势。     

不平衡-碰摩-不对中故障耦合作用下柔性转子-滚动轴承系统动力学分析与实验

研究柔性转子．滚动轴承系统在不平衡一碰摩．不对中故障耦合作用下的动力学响应．基于有限元与数值计算联合仿真方法,建立转子．滚动轴承系统的耦合故障柔性多体系统动力学控制模型．运用模态综合法建立柔性多体系统动力学模型,并自行编程建立非线性轴承力、碰摩力与不对中激振力模型．分析对比了系统在各种故障耦合作用下的振动特征图．结果表明,不对中故障对转子系统的整体振动影响较明显,不对中故障较严重时,整个系统振动形式更加复杂,并且仿真分析结果与实验结果能够较好的吻合,因此该方法可有效研究转子一轴承系统的不平衡一碰摩一不对中耦合故障特征．     

基于变量预测模型的模式识别方法在滚动轴承故障诊断中的应用

将基于变量预测模型(Variable Predictive Model based Class Discriminate,VPMCD)的方法引入滚动轴承的故障诊断,提出了基于EMD(Empirical Mode Decomposi-tion,EMD)和VPMCD的滚动轴承故障诊断方法.采用EMD方法提取滚动轴承振动信号特征向量后,以VPMCD作为模式识别方法对滚动轴承的工作状态和故障类型进行分类.对正常状态、外圈故障、内圈故障3种不同类别下的滚动轴承振动信号进行了分析,结果表明了该方法在滚动轴承故障诊断中的有效性.同时,与人工神经网络(Artificial neural net-work,ANN)算法的对比分析表明,VMPCD算法分类性能的稳定性以及计算效率均要高于ANN算法.     

基于双自适应滑动时间窗滚动轴承故障预测模型

针对传统方法和基于神经网络方法在滚动轴承故障预测中存在的问题,提出一种双自适应滑动时间窗故障预测模型。首先,通过设置能够去除相关性的状态估计非线性算子,将滚动轴承振动信号映射为能够表征其退化状态的故障特征—故障程度指标DR。其次,以损失函数为判据,设置模型参数自适应更新机制,以及建立能够自适应选取数据长度的滑动时间窗口。最后,通过西安交通大学发布的滚动轴承全寿命周期数据,模拟实际中突发性故障和渐发性故障综合作用下的故障发生情况,验证了所提出的故障预测模型的有效性。实验结果表明,提出的预测模型能够准确判断滚动轴承退化阶段的开始时刻和故障时刻,真实反映滚动轴承性能退化的趋势,预测误差仅为0.068%,预测时间仅占2次故障间隔时间的1.385%,满足复杂工况下滚动轴承故障预测的需求。