基于小波包与自适应SVM的滚动轴承故障诊断方法研究

近年来,诸多学者针对滚动轴承故障问题进行了大量研究。本文利用基于小波包分解的时频域特征提取方法获取各频段能量谱。同时,为提高故障诊断模型的诊断精度,利用差分进化灰狼优化算法(Differential Evolution Grey Wolf Optimizer,DEGWO)实现支持向量机(Support Vector Machine,SVM)模型参数自适应。最后,通过具体实验完成故障特征提取与自适应故障诊断模型的构建,从而实现机械设备滚动轴承的状态监测与故障诊断。     

基于振动的减速机轴承故障诊断试验台研制

减速机中的轴承在工作过程中受交变载荷的作用,60%都会发生点蚀故障,若故障不断发展,将造成严重的后果。本文研制了一套用于检测减速机轴承点蚀故障振动信号特征的故障模拟试验台,以滚动轴承点蚀故障为例,介绍了该试验台的设计方案和基于振动的故障检测方法。该试验台不仅能开展滚动轴承多种故障形式的故障模拟振动检验,还可以模拟现实工况,实现不同转速,不同负载的滚动轴承振动检测研究,为滚动轴承故障的准确诊断和识别奠定了基础。     

小波包－Hilbert分析在滚动轴承故障诊断中的应用

滚动轴承在运转过程中，当出现如局部点蚀、疲劳剥落，微小裂纹等早期损伤类故障时，其振动信号的能量分布在较宽的频带上，频率成分比较复杂，使得故障特征隐蔽性较大，仅仅用传统的傅立叶分析不容易发现故障隐患。与傅立叶变换技术相比，小波分析技术具有良好的时间、尺度特性。     

小波包-Hilbert分析在滚动轴承故障诊断中的应用*

<正>滚动轴承在运转过程中,当出现如局部点蚀、疲劳剥落,微小裂纹等早期损伤类故障时,其振动信号的能量分布在较宽的频带上,频率成分比较复杂,使得故障特征隐蔽性较大,仅仅用传统的傅立叶分析不容易发现故障隐患。与傅立叶变换技术相比,小波分析技术具有良好的时间、尺度特性。小波变换通过正交基的平     

现场齿轮箱内齿轮故障的振动法诊断

立足于现场的实际情况,主要用振动地对齿轮箱内齿轮的故障作了详细的诊断,首先从现场测取了大量的振动信号,并对所测取的振动信号进行了功率谱的综合分析及确定了Ｋ１,Ｋ２等定量诊断指标,及时识别了齿轮的状态。     

基于改进SSA-VMD的列车门丝杠机构故障诊断技术研究

【目的】为解决地铁运行时因列车门噪声过大而导致故障诊断难的问题,以列车门为研究对象,提出一种基于改进麻雀搜索（SSA）算法的变分模态分解（VMD）振动信号降噪法,并通过支持向量机来对故障进行诊断。【方法】首先,利用Hénon混沌映射来初始化种群,将非线性权重因子引入群体行为阶段,并通过Levy飞行策略及柯西变异对位置进行更新。其次,通过改进的麻雀搜索算法对变分模态分解算法中的惩罚因子α和模态分解数K进行全局寻优,确定参数分解并重构,得到降噪信号。最后,使用主成分分析法（PCA）来提取特征,并利用支持向量机（SVM）来诊断故障。【结果】试验结果表明,该方法对振动信号的降噪效果明显,故障诊断准确率达91%,验证了该方法的有效性。【结论】该方法能有效克服传统VMD去噪参数难以选取的问题,对列车门故障诊断研究具有一定的参考价值。     

深沟球轴承的锯齿声故障诊断

通过实验对有锯齿声的轴承的振动信号进行了分析,用包络解调法提取出了峰值明显的内圈特征谱线,分析了轴承的锯齿声噪声产生的原因,实验结果表明,该法对有锯齿声的球轴承的故障诊断简单适用.     

阶比分析与外同步整周期采样

<正> 一、前言旋转机械的某些故障一般可以通过其振动信号的特征反映出来,例如,轴系不平衡,则其振动信号的主要频率成份是每转一次的基波分量;轴系安装不对中时,陈了基波分量外还有较大的二次和三次谐波分量;而发生油膜震荡时,会出现较大的二分之一次谐波分量等,显然,在分析振动信号的频谱时,上述故障的特征就能从频谱图上反映出来。通常所说的特征分析就是辫识旋转机械各频率分量的一系列数据处理技术,它是旋转机械故障诊断一种有效的工具。二、频谱分析与阶比分析 1、频谱分析这是一种常用的信号分析方法,它表征了机械运转特性的功率谱或幅值谱。频谱结     

辅助理论课教学的NI虚拟实验开发

为了解决理论课教学中工程背景不足，实验器材落后，传统实验教学无法得到及时更新等问题，开发了基于Lab VIEW应用软件以旋转机械故障诊断为核心内容的NI虚拟实验平台，包括转子故障诊断、滚动轴承故障诊断和齿轮典型故障诊断等虚拟实验．实验平台既能够在理论教学或实验教学中实现旋转机械故障诊断的仿真和演示，也可以通过NI-DAQ的通用接口与测试系统和旋转机械实验台相连接，完成测试环境下实验数据的采集与分析和设备故障的在线诊断．NI虚拟实验平台能够支撑与测控相关的多门理论课程的教学，同时还可用于二次开发，为学生从事实验研究提供虚拟实验平台．     

基于BP神经网络的集中监测系统故障诊断

铁路信号集中监测系统通过采集信号设备开关量、模拟量并记录分析,实现了设备工作状态监测、故障报警等功能。为了进一步实现集中监测系统对设备故障原因的分析,讨论基于BP神经网络的集中监测故障诊断流程,对信号设备故障机理的分析确定特征参量,再利用集中监测系统功能获取故障数据,将故障数据作为训练样本对神经网络进行训练,从而获取其中的映射关系。集中监测系统实时监测特征参量的异常变化,将测试的信号设备特征参量作为待诊断样本输入神经网络。结果表明,网络将会输出最匹配的诊断结果,实现集中监测系统的故障诊断功能。