基于DTFT的共振解调技术及其在滚动轴承故障诊断中的应用

把离散时间傅立叶变换用于共振解调技术中共振解调信号的谱分析,利用信号的离散时间傅立叶变换可以得到任意高频率分辨率的谱线图,而不受采样点数的限制.对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的分析表明,与基于FFT的共振解调技术相比,这种方法可以更有效、更准确地诊断出滚动轴承的故障部位.     

本征时间尺度排序熵及其在滚动轴承故障诊断中的应用

针对滚动轴承故障振动信号的非平稳、非线性特性,将经验模态分解方法和排序熵有机结合,提出一种新的基于自适应尺度的复杂度参数——本征时间尺度排序熵,用于描述不同本征模态分量的复杂程度,从而实现故障特征的量化描述。首先,将原始振动信号经过EMD分解得到若干本征模态分量,然后分别对各本征模态分量计算排序熵,即可得到不同本征时间尺度排序熵,最后利用该参数实现不同故障状态的有效区分与识别。实例分析结果表明了该方法的有效性和实用性,从而为机械设备状态监测与故障诊断提供了一种有效途径。     

基于鲸鱼优化算法的自适应共振解调轴承故障诊断方法

针对共振解调方法需要选取包含较多故障信息的共振频带这一特点,提出了一种基于鲸鱼优化算法的自适应共振解调轴承故障诊断方法。首先,使用鲸鱼优化算法,以峭度和包络谱峭度构造的复合峭度作为优化目标,对带通滤波器参数中心频率和带宽进行自适应选择。然后,使用寻优得到的最优中心频率和带宽对轴承故障信号进行滤波分析。最后,对滤波后信号进行包络解调处理,提取出故障特征频率,判断轴承故障类型。通过对仿真信号和轴承内、外圈故障信号的分析诊断,可以证明该方法能够满足共振解调方法中对共振频带选取的要求,完成轴承信号故障频率的提取,是一种有效的轴承故障诊断方法。     

基于小波分析和共振解调的故障诊断方法

介绍小波分析和共振解调技术的原理及在机械设备故障诊断中的应用。讨论小波分析和共振解调技术之间的内在联系与应用。     

变工况滚动轴承故障诊断方法研究

旋转机械设备在升降速、电源电压波动、载荷变化等情况下其转速将是非恒速的,将导致旋转设备中的滚动轴承在变速条件下运行,现有滚动轴承故障诊断方法中的共振解调方法在变工况条件下谱图将变得模糊,影响诊断的准确性,甚至无法获取故障特征频率。提出了对共振解调获得的包络信号采用阶比分析的方法,在无需鉴相硬件设备的前提下,提取滚动轴承的故障特征频率,实验结果证明包络信号的阶比谱可以很好地反映鼓掌特征;对精确诊断滚动轴承的故障有实际意义。     

经验模态分解(EMD)在滚动轴承故障诊断中的应用

针对滚动轴承故障振动信号的非平稳特征，提出了基于经验模态分解(Empiri-cal Mode Decomposition，简称EMD)和神经网络的滚葡轴承故障诊断方法，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 functioll，简称IMF)之和，再选取若干个包含主要故障信息的IMF分量，并从中提取时城特征措标——峭度或裕度因子作为神经网络的输入参数来识别滚动轴承的故障模式，对滚动轴承的内圈、外圈故障信号的分析结果表明，以EMD为预处理器提取时域特征参数的神经网络诊断方法比直接从原信号中提取时域特征参数的诊断方法有更高的故障识剐率，可以准确、有效地识别滚动轴承的工作状态和故障类别。     

滚动轴承故障诊断研究方法及进展

近年来,机电设备的故障诊断技术越来越受到重视,已成为当下研究的热点,故障诊断方法发展很快.滚动轴承是机械传动中重要的零部件之一,其性能直接影响机构的整体运行,为了推动滚动轴承故障诊断技术的发展.本文针对滚动轴承故障诊断研究方法及进展进行系统综述.论文通过介绍总结短时傅里叶变换;经验模态分解;经验小波变换等常用的故障诊断...     

Matlab在货车滚动轴承故障诊断中的应用

在机械故障咨询诊断中,对采集到的信号如何进行分析与处理,以及如何通过计算机实现,是决定故障智能诊断成败的关键,以铁路货车滚动轴承352226X2-2Z故障诊断为例,介绍了Matlab语言在其关键技术--小波滤波、功率谱以及智能诊断程序的编程应用,结果表明,该语言具有编程简单、功能强大等特点.有着广泛的应用前景.     

基于虚拟仪器的滚动轴承故障诊断

介绍了共振解调技术原理和虚拟仪器编程语言LabVIEW。共振解调技术对滚动轴承故障有良好的诊断能力,LabVIEW是一种图形化虚拟仪器编程语言。利用LabVIEW实现滚动轴承的共振解调分析,在保证了测试精度的基础上,提高了程序开发的效率,创建了良好的人机界面;同时,便于系统的升级和维护。     

滚动轴承状态监测与早期故障诊断系统研究与设计

针对滚动轴承状态监测与早期故障诊断困难的问题,从滚动轴承的结构组成和工作机理出发,基于LabVIEW设计了具有模块化结构的在线监测-离线诊断监测系统.首先在线监测振动信号的时域指标,其次基于经验模态分解(Empirical mode decomposition,EMD)和包络谱分析确定振动信号有效分量并从中提取故障特征,离线诊断出滚动轴承的故障类型.最后,通过实验验证系统的可行性.实验结果表明该监测系统能够快速便捷地获取滚动轴承状态参数,同时准确可靠地进行故障识别,能够满足滚动轴承状态可视化监测和早期故障识别的要求.     

S变换在滚动轴承故障诊断上的应用

为了研究滚动轴承信号的非平稳特征,应用时频分析技术是一种较好的选择．研究了S变换,该方法是将短时傅里叶变换同小波变换结合起来发展的一种新算法．对多种时频分析方法进行了比较,得出S变换优于其他方法的一些特点,提出基于S变换的滚动轴承信号瞬态特征检测方法．结果表明,S变换能够以较高时频分辨率表示轴承振动中的非平稳特征,能反映出信号时频谱真实的物理意义,并且计算速度快．诊断结果验证了该方法可以用于滚动轴承的故障诊断．     

形态分量分析在滚动轴承故障诊断中的应用

滚动轴承局部故障振动信号中的周期性冲击是识别故障的关键特征.形态分量分析在由多种形态原子组成的过完备字典基础上提取信号中的不同形态成分,基于这种思想提出了一种基于新型过完备复合字典的形态分量分析方法.依据滚动轴承故障振动信号中分量间的形态差异性,改进字典后该方法可以更具针对性地提取出包含故障特征的冲击分量,配合包络谱分析准确提取故障特征频率,诊断滚动轴承局部故障.对比基于快速谱峭度法的轴承故障诊断方法,该方法可以避免人为选择共振带产生的不准确性和非最优问题,提高了故障诊断效果.通过轴承仿真信号和故障实验信号分析验证了该方法的有效性.     

差分进化网络在滚动轴承故障诊断中的应用

针对滚动轴承故障诊断问题,在分析传统的误差反向传播(BP)算法、莱文伯格马夸特(LM)算法等经典人工神经网络训练方法的基础上,提出了差分进化训练算法。在选取差分进化策略时,取消了变异个体选取限制,从而加快了算法收敛速度。采用不同故障部位和程度的滚动轴承故障实验数据构成样本集合,并分别运用最速下降法、LM算法和差分进化算法对相同结构的人工神经网络进行训练,对比分析其故障分类性能。实验结果表明,差分进化算法能较好地识别滚动轴承故障,准确度较高,总体上与LM算法相当,且其在多次实验中故障识别率的最大值与最小值差别较小,具有较好的稳定性,同时该算法避免了LM算法存在的"过学习"问题。     

经验模式分解在循环平稳故障信号分析中的应用

对循环二阶统计量进行了分析,研究了交叉项产生的原因;结合旋转机械故障信号的循环平稳特性,将经验模式分解方法应用于旋转机械振动信号分析中,解决了应用循环平稳方法进行信号分析中出现的交叉项干扰问题.通过理论推导、仿真实验、真实数据验证,以及和原有方法进行比较,表明经验模式分解联合循环平稳分析方法能够有效地识别故障特征,并避免干扰项.极大地推进了循环平稳方法在旋转机械故障诊断中的应用.     

基于深度学习和经验模态分解的 双列圆锥滚动轴承故障诊断

双列圆锥滚动轴承在列车走行部应用广泛,由于该类轴承结构比较复杂,传统的故障诊断方法难以识别该类轴承的早期微弱故障.为此,提出基于深度学习的双列圆锥滚动轴承早期微弱故障诊断方法.首先,对轴承的振动信号进行经验模态分解,提取信号的瞬时能量构造特征向量;最后,利用深度学习方法对特征向量进行无监督学习,生成故障诊断分类器,完成故障的分类识别.实验中对某型号双列圆锥滚动轴承的正常状态、内圈故障和外圈故障进行信号分析与故障识别.结果表明,所提方法能有效识别双列圆锥滚动轴承的早期微弱故障,分类准确率达到98%.     

基于改进EEMD的卷积神经网络滚动轴承故障诊断

集合经验模态分解(EEMD,ensemble empirical mode decomposition)对信号进行分解,得到的模态函数(IMF,Intrinsic model function)在2端点存在严重的发散现象,如果将分解结果直接应用到故障诊断系统中,会导致诊断的准确率下降。首先将支持向量机(SVM,support vector machine)和EEMD算法结合进行信号分解,并利用仿真信号进行可靠性分析;其次对SVM(support rector machine)-EEMD分解的分量进行选择后再分解并构建能量向量,最后和卷积神经网络结合,构建滚动轴承故障诊断模型并通过实验验证。结果表明,改进EEMD算法可以有效缓解端点发散问题,构建的故障诊断模型提高了故障诊断精度。     

基于最大李雅普诺夫指数的滚动轴承故障诊断研究

针对滚动轴承故障后期的非线性行为以及判断故障的劣化趋势标准问题，提出了最大李雅普诺夫（Lyapunov）指数判别方法。利用包络解调法对轴承原始信号进行了0～1000，2000-3000及3000-4500Hz分频段降噪处理，研究了不同时段轴承故障劣化程度与Lyapunov指数的关系以及信号噪声对Lyapunov指数的影响。结果表明，在0～1000比频段内，轴承早期故障的Lyapunov指数为0．612，运行5个月后，Lyapunov指数增大到0．8105，2000-3000Hz及3000-4500Hz频段内，Lyapunov指数也呈缓慢增大趋势，说明Lyapunov指数能够反映轴承故障劣化程度，因此可以把Lyapur剐指数作为判断轴承故障严重程度的特征参量，这为轴承故障的劣化判断提供了一条有效途径。     

基于最大李雅普诺夫指数的滚动轴承故障诊断研究

针对滚动轴承故障后期的非线性行为以及判断故障的劣化趋势标准问题,提出了最大李雅普诺夫(Lyapunov)指数判别方法。利用包络解调法对轴承原始信号进行了0~1 000,2 000~3 000及3 000~4 500 Hz分频段降噪处理,研究了不同时段轴承故障劣化程度与Lyapunov指数的关系以及信号噪声对Lyapunov指数的影响。结果表明,在0~1 000Hz频段内,轴承早期故障的Lyapunov指数为0.612,运行5个月后,Lyapunov指数增大到0.810 5,2 000~3 000 Hz及3 000~4 500 Hz频段内,Lyapunov指数也呈缓慢增大趋势,说明Lyapunov指数能够反映轴承故障劣化程度,因此可以把Lyapunov指数作为判断轴承故障严重程度的特征参量,这为轴承故障的劣化判断提供了一条有效途径。     

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。