用择近原则确定轴承的故障类型

在机械故障振动诊断中,通过检测传感器拾取时域振动信号,再经过ＦＦＴ变换得到频域信号,可以对故障类型进行判别。分析了轴承的故障类型与特征频率的关系。通过建立隶属函数和贴近度函数,提出了以模糊数学为基本原理的故障判别方法。利用该方法可以更好地解决故障类型的计算机识别问题     

抽油机井振动诊断技术

利用振动分析方法对抽油机井故障进行诊断．首先将原函数（原函数可以是悬点载荷对间函数、悬点加速度－时间函数、悬点载荷－悬点泣移等函数）作离散化和必要的预处理后，对其进行幅值域、时域和频域分析，从中找出敏感特征函数作为判别故障的依据．本文通过对悬点载荷－悬点位移（即示功图）的振动为示例进行了分析，给出了寻求故障特征值的振动分析方法，又通过对不同故障示功图的三域分析，得出了一些初步的结论，为抽油机井故障诊断开辟了一个新的途径，为下一步大型数据库的建立打下了基础．     

基于HHT边际谱熵-马氏距离的滚动轴承故障诊断

针对滚动轴承振动信号的非平稳特性,依据HHT(Hilbert Huang Transform)理论和非线性熵概念,提出了一种基于HHT边际谱熵和马氏距离相结合的轴承故障诊断方法。首先对采集到的正常及故障轴承振动信号作小波变换阈值去噪,然后通过HHT得到Hilbert边际谱。依据广义信息熵的概念定义了边际谱能量熵函数,基于所提取的特征函数,采用马氏距离对轴承故障类型进行分类。实验结果表明,该方法可以准确、有效地实现轴承的故障判别,为实际滚动轴承故障诊断提供一定的理论参考。     

风电齿轮箱的故障分析及诊断

文中设计了一套风电齿轮箱的故障分析和诊断方法,采用小波分析法对所收集的信号进行时域、频域和时频数据分析,参考风电齿轮箱的主要故障及其振动信号特征,通过对比,做出故障类型判断。一定程度上避免了因故障带来的经济损失。     

小波包熵与多核学习在列车转向架轴承故障诊断中的应用

为提高列车转向架轴承故障诊断的准确性和效率,提出一种基于小波包熵和多核学习的列车轴承故障智能诊断方法。该方法通过对轴承振动信号进行小波包分解,提取小波包特征分量,通过广义信息熵的概念定义了小波包特征熵函数,最后基于多核学习训练出的分类器对轴承故障类型进行分类,判断轴承的工作状态。实验结果表明,该方法可以准确、有效地实现列车轴承的故障判别,为列车转向架轴承早期故障诊断的研究提供一定的新的思路。     

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.     

基于非线性频率分析的主泵故障诊断技术研究

针对非线性系统的故障诊断问题,采用非线性频率特性分析的故障监测方法,对主冷却剂泵转子的开裂纹故障进行定位识别.该方法建立主泵开裂纹故障的数学模型后,使用两个幅值不同正弦信号激励系统,从非线性输出频率响应函数得到主泵振动信号的频率响应,通过计算系统频域的故障特征值,定位出了裂纹故障的位置.使用Matlab和Simulink的仿真工具验证了该方法的有效性,因此该方法可以应用于主泵裂纹故障诊断的研究之中.     

振动故障诊断技术在矿山设备上的应用

振动故障诊断技术具有诊断结果准确可靠,便于设备故障现场的实时诊断;频域分析法是振动诊断技术的方法之一。对振动信号的数值处理后进行频谱分析,并从频谱族中辨识出故障频率。根据对管磨机振动强度的评价标准对比,并通过与计算频率进行比较,找出故障部位,确定故障类型。此方法具有一定的实际应用价值。     

齿轮箱在线故障诊断系统设计及应用

为了尽早发现齿轮箱台架寿命试验中的故障发生及其位置,避免对试验设备及人员造成伤害,针对齿轮箱工作过程中的安全问题,开发了一套齿轮箱在线故障诊断系统。该系统利用加速度传感器检测箱体的振动信号,通过时域分析实现齿轮箱试验的实时监测与故障预警;对时域信号进行时频域分析,采用ZFFT（基于复调制的细化频谱算法）细化频谱方法处理频域信号,通过分析典型故障信号特征,建立故障特征向量,实现故障类型判定。试验结果表明,该系统能实现齿轮箱故障预判,并能准确识别出典型故障。     

一维卷积神经网络在往复式压缩机气阀故障诊断中的应用

针对往复式压缩机气阀故障诊断问题，对气阀盖上的振动信号进行分析，提出了一种基于一维卷积神经网络(1D-CNN)的故障诊断模型。首先，将原始一维振动信号经傅里叶变换从时域转换为频域；然后，将频域信号作为1D-CNN的输入，利用卷积层实现自适应提取特征；最后，网络输出层利用Softmax函数实现多种故障的模式识别。在往复式压缩机故障模拟实验台上进行了气阀正常、阀片裂纹、阀片断裂、弹簧失效4种工作状况下气阀盖振动信号的测量并对提出的模型进行验证。结果表明，气阀盖上的振动信号能够明显反映气阀的工作状态，而且信号易提取、十分适合用于气阀的故障诊断；将振动信号从时域转换成频域作为1D-CNN的输入明显地提高了故障分类的准确率；与采用原始一维振动信号作为1D-CNN输入的模型相比，采用频域信号作为输入的故障诊断模型具有更优越的表现，准确率更高，可达100%,而且模型结构简单，能够实现端到端的快速故障诊断。     

基于拉普拉斯分值和鲸鱼寻优SVM的滚动轴承故障诊断

滚动轴承的振动信号所呈现出的非高斯、非线性等特性,使得其故障类型和故障严重程度难以准确识别,故此提出了一种拉普拉斯分值(laplacian score,LS)与基于鲸鱼算法(whale optimization algorithm,WOA)寻优的支持向量机(support vector machine,SVM)相结合的智能故障诊断方法。首先提取原始振动信号时域、频域、时频域的统计特征,通过利用LS选择较为敏感、更能表征故障状态的特征,形成故障特征向量,然后通过鲸鱼算法来优化SVM的惩罚因子和核参数,构造成分类器模型来进行故障模式识别,判断出滚动轴承的故障类型。通过多种算法对SVM的参数寻优进行对比发现WOA寻优优势明显,同时使用多方面的实验数据验证了该方法在提取滚动轴承故障特征信息方面的有效性,且具有较高的分类识别精度。     

抽油机井振动诊断技术

利用振动分析方法对抽油机故障进行诊断，首先将原函数（原函为和可以是悬点载荷时间函数，悬点加速度的函数，悬点载荷－悬点位移等函数）作离散化和必要的预处理后，对其进行幅值域，时域和频域分析，从中找出敏感特征函数作为别故障的依据。本文通过对悬点载荷－悬点位移（即示功图）的振地为示例进行了分析，给出寻求故障特征值的振动分析方法，又通过对不同故障示功图的三域分析，得出了一些初步的结论，为抽油机井故障诊断开辟     

基于过渡过程信号的振动机机体结构裂纹故障检测

目的 研究含裂纹的振动机机体结构在启动这一短时过渡过程中各个动力学响应随裂纹程度变化的趋势,为振动机机体结构的裂纹故障早期诊断研究提供理论参考。方法 将复杂的非线性振动结构问题通过等效建立模型、动力学分析求解、时频域信号分析相结合进行研究,模拟不同的启动初始输入运动信号、不同裂纹位置的情况;编制龙格-库塔VB程序并模拟不同裂纹大小程度来求解该动力学模型,得出位移、速度、加速度等响应的时域图与频域图,并进行对比分析。结果 在时域内过渡过程振动响应的周期与振幅会随裂纹程度增大而增大,在频域内振动响应会随裂纹程度增大而出现“频幅增大”、“频率成分新增”、“移频”的变化规律。结论 通过多角度对比证明,可以将各响应在时域与频域的变化作为故障诊断的判别依据,判断是否含有机体裂纹故障及故障的程度。     

采用时域与时频域联合特征空间的转子系统碰磨故障诊断

针对转子系统早期碰磨故障,提出了一种基于时域和时频域联合特征提取和分析的方法,并采用该方法对简单转子模型进行了故障诊断。基于BP神经网络和影响函数法,建立了滑动轴承单盘转子碰磨故障动力学模型,并对转子系统碰磨故障进行了数值模拟;分别采用统计学和小波包分解方法,对振动信号的时域和时频域特征进行了提取,综合两者建立了碰磨故障的特征空间,并采用支持向量机(SVM)模型对比分析了基于时域、时频域和综合两者特征空间的故障诊断效果,在此基础上,通过引入可分度函数,将正常振动信号与故障信号同时考虑,对各特征的可分度进行了分析和排序;根据特征分析结果,将特征空间分为高可分度区域和低可分度区域,分别针对单特征和组合特征对碰磨故障进行识别。研究结果表明:单特征的碰磨故障识别率与其可分度函数值呈正相关;组合特征识别效果要优于单特征,且高可分度区域内的组合特征识别效果要明显优于低可分度区域,针对本文所建碰磨故障样本空间,高可分度区域内随机三特征组合平均故障识别率达到90%以上。文中提出的故障特征提取和分析方法可为复杂故障的识别提供参考。     

基于M-WDLS和PCA的转子故障诊断方法

针对不同故障特征属性交互重叠导致的故障类别辨识困难问题,提出一种基于Manhattan距离作为特征之间相似度信息测度的权值判别拉普拉斯分值特征选择方法.该方法采用Manhattan距离衡量高维特征矢量之间的相似度,并将数据样本标记信息融入权值计算中以增强权值的判别性,提升了LS算法的敏感特征筛选性能.将M-WDLS和主成分分析相结合,提出基于M-WDLS和PCA的转子故障诊断方法.首先提取原始振动信号的时域、频域、时频域特征构造混合域特征集;然后利用M-WDLS选择敏感特征组成敏感特征矩阵;最后对敏感特征矩阵进行PCA降维处理,并将结果输入到K-近邻分类器中进行模式识别.对比实验的结果表明,该方法能有效提取转子系统振动信号的状态特征,有助于提高故障辨识的准确率.     

煤矿主通风机故障诊断的小波包方法

针对传统的时域和频域分析存在难以同时诊断故障时间和具体类型的瓶颈问题,提出一种基于小波包分解的煤矿主通风机故障诊断方法.在深入分析煤矿主通风机故障机理的基础上,采集对故障敏感的振动信号,并用具有时频局部化特性的小波对其进行三层小波包分解,通过提取各个频段信号的能量特征值,诊断故障.经实例验证,该方法能有效的诊断出故障时间和类型,为煤矿主通风机故障诊断的研究作了新的探索.     

微弱振动信号的谐波小波频域提取

为解决设备故障检测和故障预报中某些微弱振动信号难以提取出来的问题,在介绍谐波小波变换的优良特性及其基本原理的基础上,给出了谐波小波变换的实现技术.在不减少信息点数的情况下,用谐波小波变换成功地对微弱振动信号实现了频域提取与时域重构,并且实现了强噪声下微弱周期振动信号的频域提取.通过算例和工程实例,说明谐波小波方法在微弱信号的频域提取能力和精度上明显优于基于二进分解的小波方法和傅里叶分析方法,且在混有强噪声的信号提取中消除了二进小波包仍然存在的噪声泄漏,同时也显示了谐波小波变换的频域保相特性.     

基于小波包和改进多元LS-SVM 的滚动轴承故障模式识别

为了实现对故障轴承的特征提取和对故障特征的准确分类,该文提出了应用小波包变换与改进的多元最小二乘支持向量机(LS-SVM)相结合进行滚动轴承故障模式识别的方法.首先,利用小波包对滚动轴承振动信号进行分解和重构,并构造特征向量;然后,针对传统的单个核函数不能兼顾学习能力和泛化能力的缺点,提出了应用混合核函数对多元LS-SVM进行改进的算法;最后,将特征向量作为输入,分别应用于常用核函数和基于混合核函数的多元LS-SVM对滚动轴承故障类型进行仿真判别对比实验.结果证明了所设计方法的有效性.     

基于深度学习和激光多普勒测振技术的机械臂电机故障时频尺度诊断方法

机械臂电机振动信号的采集效果较差,影响时频特性分析过程,导致故障诊断效果与精度较差,为此提出基于深度学习和激光多普勒测振技术的机械臂电机故障时频尺度诊断方法。使用激光多普勒测振技术与小波阈值去噪算法,建立机械臂电机振动信号采集系统,获取并重构故障信号;提取电机振动信号的时域、频域等尺度特征,引入人工神经网络建立一个具备学习能力的故障诊断模型,将提取的机械臂电机故障时域、频域等尺度特征输入诊断模型中,输出分类诊断结果,即可完成机械臂电机故障时频尺度诊断。结果表明：利用该方法开展电机故障诊断时,检测结果与实际电机故障类型之间偏差较小,诊断效果好、精度高。     

基于小波包分析和BP网络识别的齿轮故障诊断

针对齿轮故障信号的能量所引起的变化会淹没在常规振动与噪声之中，用传统的信号处理方法不易提取故障特征，给齿轮的故障诊断带来很大困难这一事实，本文描述了用于从振动信号中提取故障信息的小波包和用于识别故障类型的BP网络，研究了BP网络故障模式识别与小波包故障特征提取结合在一起对齿轮故障进行诊断的方法，研究结果表明该方法可以成功地用于轮常规故障的识别和诊断。