自适应广义形态滤波和GG聚类在轴承故障识别中的应用研究

针对复杂工况下滚动轴承受机械噪声等因素影响轴承故障类型区分难的问题,提出了一种基于自适应广义形态滤波和GG聚类的轴承故障诊断方法。采用自适应广义形态滤波对轴承振动信号进行降噪处理,对降噪后的信号进行变模式分解,去除虚假分量和噪声分量,最后对去噪后故障特征较多的信号分量求解近似熵,作为特征向量输入GG聚类分类器中,达到故障分类。仿真实验结果证明该方法能有效提取信号特征信息,准确识别故障类型。     

基于小波的滚动轴承故障二级报警系统

滚动轴承是铁路货车的重要部件,也是工作条件最为恶劣的部件之一,因此,对该轴承的运行状态进行诊断就显得尤为重要。声发射技术是一种新型的动态无损检测技术。针对声发射技术实验中采样频率高,背景噪音大的特点,采用了小波分析的滤波方法,突出了故障信号特征,提高了信噪比;继而对滤波后信号进行时域与频域分析,经大量实验证明,该法能准确区分轴承状态的好坏与故障类型,减少了人为差错,提高了经济效益。     

基于共振稀疏分解与子带增强的滚动轴承声学诊断方法

针对轴承声信号易受环境噪声干扰,导致声学诊断结果准确率低的问题,提出一种结合共振稀疏分解与小波降噪选取核心冲击子带、对信号进行二次降噪的滚动轴承诊断方法。首先采用共振稀疏分解算法对原始声信号进行降噪处理,提取信号瞬态冲击成分;然后通过小波包变换对信号进行分解,依据各子带信号峭度值选取核心冲击子带信号进行线性叠加并重构;最终通过包络谱分析确定轴承故障。故障模拟实验结果表明,本文方法可有效增强复杂声场环境下轴承声信号的冲击特性,实现针对滚动轴承的声学诊断。     

基于固有时间尺度分解与多尺度形态滤波的滚动轴承故障特征提取方法

为了准确提取出滚动轴承的故障特征并对轴承状态进行评估,提出了一种固有时间尺度分解(intrinsic time-scale decomposition,ITD)与多尺度形态滤波相结合的滚动轴承故障特征提取方法。首先,采用ITD方法将滚动轴承故障信号分解成多个固有旋转分量(proper rotation,PR);然后,对比各个PR分量与原始信号的相关性;最后,采用多尺度形态滤波算法对相关性较大PR分量进行滤波降噪,并提取滚动轴承故障特征频率。采用所建立方法对轴承外圈故障和内圈故障实验数据进行分析。结果表明,所提出的故障特征提取方法能够有效抑制噪声,清晰准确地提取出滚动轴承故障特征频率。     

流体动压轴承状态监测与故障诊断研究进展

滑动轴承是大型旋转机械中的重要支撑设备，对滑动轴承进行润滑状态监测及早期故障诊断对机组安全生产有重要意义.本文阐述了滑动轴承的故障状态及失效形式，详细说明了振动信号、声发射信号及铁谱分析等技术在滑动轴承状态监测中的运用，综述了专家系统、神经网络和支持向量机在滑动轴承故障识别中的有效应用.通过分析对未来的发展趋势进行了展望：结合新一代人工智能与传感技术，通过多物理场信号进行融合监测，发展建立轴承信号标准数据库，结合可视化研究和远程监测，实现快速精准的滑动轴承状态监测与故障诊断.     

基于声发射技术的滑动轴承润滑状态诊断研究进展

声发射现象是材料受力变形释放出弹性波的现象,通过对材料声发射信号进行接收处理能够监测滑动轴承润滑状态,利用声发射技术进行润滑状态监测具有反馈即时、信号携带信息完整以及预警能力强等特点,但是现阶段对于轴承内部声发射机理与信号表征以及润滑状态的联系的研究尚存不足.本文介绍了声发射现象产生机理,总结了基于位错运动以及粗糙接触的声发射计算模型,并综合阐述了国内外基于声发射技术的滑动轴承润滑状态监测研究领域的一些成果,最后分析总结了现阶段研究存在的不足以及对下一步的研究方向提出了自己的看法.     

基于小波分析的刨花板声发射信号降噪处理

应用MATLAB工具箱中小波函数对刨花板受压时产生的声发射信号进行了小波降噪处理,并比较了小波分析降噪和滤波器方法降噪的异同。结果表明:选取适当的小波分解级数,进行合理的阈值门限处理,可以大大提高重构后信号的识别度,对声发射信号采用小波方法降噪可达到较理想的效果。     

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.     

基于小波包分解-峭度值指标-希尔伯特包络解调融合方法处理声发射信号的滚动轴承故障诊断

为实现对航空发动机主轴承进行故障诊断,以复杂传递路径下声发射信号的波形分析为基础,提出一种基于小波包分解(wavelet packet decomposition, WPD)、峭度值指标(kurtosis index, KI)以及希尔伯特包络解调(Hilbert envelope demodulation, HED)相结合的滚动轴承故障特征信息提取方法。采用WPD方法对滚动轴承声发射信号分解获得节点分量,基于KI对节点分量排序筛选进行信号重构,进而对重构信号进行HED分析,提取出轴承故障特征频率用于对比诊断。开展简单以及复杂传递路径下滚动轴承故障模拟试验,采用建立的方法分别针对滚动轴承外圈、内圈典型故障试验数据进行分析和诊断。结果表明：该方法可有效提取滚动轴承故障特征频率及其倍频,且针对复杂传递路径下处于工作状态的滚动轴承,仍可实现精准的特征信息提取和有效的故障诊断。     

氧化铝陶瓷磨削金刚石砂轮磨损的声发射监测

阐述了声发射监测工程陶瓷磨削的研究进展,发现目前对金刚石砂轮磨损监测研究基本上是选取声发射信号均方根(即有效值)进行分析,且金刚石砂轮磨损状态的声发射监测准确率不高.为提高金刚石砂轮磨损状态的声发射监测准确率,设计了氧化铝陶瓷磨削声发射实验,并采用支持向量机建立金刚石砂轮磨损状态的分类模型.分析发现氧化铝陶瓷精密磨削中声发射信号最强频谱能量在30~40kHz频段.金刚石砂轮轻度磨损、严重磨损钝化和修锐之后的磨削声发射信号频谱有明显不同;而且磨削声发射信号小波分解系数的方差值能够很好地反映金刚石砂轮磨损状态.结果表明采用磨削声发射信号的小波分解系数方差作为支持向量机判别金刚石砂轮磨损状态的输入特征,金刚石砂轮磨损状态分类测试的准确率达100%.