基于相关分析和Lempel-Ziv指标的轴承损伤程度识别

针对单一故障模式下轴承内、外圈损伤程度的区分问题,提出了一种基于相关分析的Lempel-Ziv指标评估方法。通过相关分析在保留信号中频率成分的基础上来降低信号中噪声对Lempel-Ziv指标的影响。首先,该方法对原始信号进行自相关分析,将信号进行降噪;其次,对降噪处理后的信号进行0-1编码,得到信号的编码序列;最后,对编码后的序列计算Lempel-Ziv指标,得到信号的复杂度。通过仿真和轴承故障实验数据验证了所提方法的有效性。与传统的Lempel-Ziv指标及滤波后的Lempel-Ziv指标相比,在噪声环境下,所提方法能较好地识别噪声中轴承故障信号的复杂程度,能够有效的区分单一故障模式下轴承内、外圈的损伤严重程度。     

滚动轴承故障程度评估方法研究

滚动轴承是旋转机械的关键部件,轴承故障程度评估技术对于保证设备工作性能和可靠性具有重要的工程意义。针对轴承故障程度评估开展研究,提出了一种基于Lempel-Ziv复杂度和正交匹配追踪的故障程度评估方法。首先,利用正交匹配追踪算法,对实测振动信号进行降噪处理。然后,以Lempel-Ziv复杂度作为轴承故障程度的评估指标。开展不同载荷条件下不同程度轴承内、外圈故障的评估试验,结果表明所提出的评估指标能够有效地在不同负载条件下对轴承故障程度进行评估,受噪声和载荷条件影响较小。     

基于变步长多尺度 Lempel-Ziv 复杂度融合 指标的旋转设备损伤评估

损伤程度评估对于旋转设备的故障预测与维护至关重要。Lempel-Ziv复杂度已被广泛用于旋转设备的定量故障诊断。但是传统Lempel-Ziv复杂度指标只能在单一尺度提取故障信息,难以全面挖掘故障特征。为此,学者提出了多尺度Lempel-Ziv复杂度。然而,多尺度分析会缩减时间序列的长度,易于导致评估结果不准确。因此,提出了一种基于变步长多尺度Lempel-Ziv复杂度融合的旋转设备损伤程度评估指标。首先采用变步长策略优化粗粒化过程,更全面地挖掘故障信息;然后运用基于拉普拉斯得分加权的融合方法来评估每个尺度的重要性,将变步长多尺度复杂度序列转化为一个单一但全面的评价指标,即所提的变步长多尺度复杂度融合指标,用以全面挖掘振动信号的特征,实现对旋转设备的损伤评估。本文采用轴承单点缺陷数据、轴承全寿命数据和齿轮箱疲劳试验数据验证所提方法的有效性,并与其他复杂度指标进行比较分析,结果表明：所提指标可100%准确地对轴承故障严重程度及齿轮磨损程度进行评估,发现早期故障,实现旋转设备的定量诊断。     

CEEMD与Lempel-Ziv复杂度相结合的滚动轴承损伤程度评估方法

针对不同损伤程度的滚动轴承其内、外圈故障在背景噪声影响下难以检测的问题,提出补充总体平均经验模态分解(Complementary ensemble empirical mode decomposition,CEEMD)与Lempel-Ziv复杂度(简称LZC指标)分析相结合的滚动轴承损伤程度评估方法。首先,对滚动轴承振动信号进行CEEMD分解,得到多个IMF(Intrinsic mode function)分量;然后,基于峭度最大准则选取有效IMF分量并计算其Lempel-Ziv复杂度综合指标;最后,根据Lempel-Ziv复杂度综合指标的变化规律判断滚动轴承的损伤程度,并基于6σ原则给出了不同损伤程度的滚动轴承内、外圈故障Lempel-Ziv复杂度取值区间。将该方法应用于滚动轴承的损伤程度评估,分析结果表明了该方法的有效性和可行性。     

基于LMD-PE与SVM机床刀具磨损故障诊断

针对机床刀具磨损故障信号具有信号噪声大、频带混叠以及信噪比低的问题,提出了一种基于局部均值分解(Local Mean Decomposition,LMD)—排列熵(Permutation Entroy,PE)与支持向量机(Support Vector Machines,SVM)的机床刀具磨损故障诊断方法。首先对刀具磨损故障信号进行LMD分解,再根据相关系数去除噪声信号以及由于分解误差所带来的冗余信号后,选取合适的乘积分量(Product Function,PF)进行信号重构,然后将重构后的信号计算排列熵并通过标量量化处理后得到特征向量,最终将特征向量输入到已训练完成的支持向量机中来判别刀具的磨损状态,试验结果验证了该方法对机床刀具磨损故障诊断的有效性和实用性。     

基于小波包能量和调制信号双谱边带估计的齿轮磨损监测

为提高调制信号双谱边带估计的分析效果和鲁棒性,提出了小波包能量和调制信号双谱边带估计相结合的磨损特征提取方法.首先,使用小波包变换将信号分解为多个频段,计算每个频段的小波包能量,选取小波包能量较高的频段进行重构,以达到优选分析频段和降低计算量的目的;然后,对重构信号进行调制信号双谱边带估计以提取齿面磨损特征,并通过合理构建指标实现齿面磨损损伤状态的在线监测.仿真与试验结果表明,所提出方法具有更强的鲁棒性,能够更准确地监测齿面磨损的发展过程,评估磨损损伤程度.     

SVD-LMD联合降噪和TEO的滚动轴承故障诊断

针对随机噪声背景下滚动轴承局部损伤信息提取困难的问题,提出了一种奇异值分解(Singular value decomposition,SVD)和局部均值分解(Local mean decomposition,LMD)联合降噪,并结合Teager能量算子(Teager energy operator,TEO)的特征提取新方法.首先,利用SVD方法对滚动轴承故障振动信号进行处理,初步剔除背景噪声;然后,使用LMD方法分解降噪后的信号,依据相关系数指标筛分出敏感乘积函数(Product function,PF)并加以重构;最后,对重构的信号进行TEO解调分析,将解调谱中幅值突出的频率成分与故障特征频率理论值进行对比,提取故障信息.结果表明,该方法可有效提取轴承局部损伤的特征频率,最终实现故障诊断.     

滚动轴承磨损状态的Adams仿真与实验研究

针对一线切割机床导轮轴承磨损失效易导致加工质量下降的问题,以深沟球轴承624为研究对象,通过建立Adams虚拟样机模型,仿真和分析了不同程度磨损状态的滚动轴承,揭示了其磨损状态的特征,得到了信号时域和频域上的特征值,并利用了一台线切割电火花机床的导轮轴承进行了实验验证。仿真和实验结果表明,轴承的磨损状态与该信号特征值有关,且随着滚动轴承磨损状态的加剧,该信号特征值随轴承内部间隙增大而增大。该值可以有效的表征轴承的磨损状态,对滚动轴承的磨损状态识别有一定参考价值。     

基于动力学模型的滚动轴承磨损特性分析

本文建立了考虑轴承游隙、摩擦力和打滑的非线性滚动轴承动力学模型,并将动力学模型与Archard磨损理论结合,对轴承滚道磨损特性进行研究。首先通过动力学方程,计算出滚动轴承运行过程中的非线性接触力与接触表面滑移速度;然后将计算结果带入磨损模型中,获得滚动轴承外滚道磨损分布;根据磨损后的滚动轴承径向游隙,更新动力学模型,研究轴承磨损特性以及轴承振动响应,并研究不同表面粗糙度下轴承磨损分布的变化趋势,结果表明：表面粗糙度对轴承磨损性能有较大影响,轴承表面粗糙度σ=0.42μm时外圈磨损速度是σ=0.2μm的6.9倍。本文研究成果为滚动轴承系统运行状态评估与寿命预测提供了理论基础。     

基于小波包-AR谱的变速器轴承故障特征提取

提出了一种小波包-AR谱估计和计算散度相结合的汽车变速器轴承故障特征提取方法.将6种不同磨损状况下的变速器轴承振动信号进行小波包分解,重构各频段信号并进行自回归(auto regressive,简称AR)谱估计,最后计算各故障轴承到新轴承之间的散度值.试验结果表明,不论是轴承的轴向间隙,还是径向间隙差异及疲劳剥落,在小波包-AR谱的谱图上均有明显的反映,该方法可以有效提取出汽车变速器轴承振动信号中的故障特征.