基于倒频谱技术的滚动轴承故障诊断

以数控机床为例,介绍倒频谱在滚动轴承故障诊断中的应用,通过监测轴承振动状态,采集振动信号波形,借助MATLAB对信号的强大处理功能,进行倒频谱分析,从而实现对设备的预诊断,避免突发性事故造成重大经济损失.     

基于频域特征和支持向量机的汽车水泵轴承故障诊断研究

为了在线监测与识别汽车水泵轴承的故障类型,以WR3258152型汽车水泵轴承为研究对象,分析了其内部结构和常见故障。根据常见故障,预设了汽车水泵轴承的4类缺陷。在搭建的信号采集实验平台上,利用加速度传感器,分别采集了4类缺陷轴承在运转过程中的振动信号。利用Matlab软件对振动信号进行快速傅立叶变换和频域特征值计算,选用径向基核函数和粒子群参数优化方法建立支持向量机模型,并进行测试验证,结果表明:支持向量机分类方法能精确识别汽车水泵轴承常见的4类缺陷。为汽车水泵轴承的在线监测与故障诊断提供了参考。     

基于XGBoost和自回归模型的轴承故障诊断和预警方法研究

针对轴承在数控车间生产中易发生故障且对轴承故障预警困难的问题,提出了一种基于XGBoost算法和AR(I)MA自回归模型的数据驱动的故障诊断和预警方法。首先使用XGBoost算法将轴承的历史数据划分为正常、滚珠故障、外圈故障和内圈故障4种状态,然后使用AR(I)MA模型来预测轴承在未来一段时间内的振动信号变化,再将预测出的振动信号进行降噪和特征提取后输入到训练好的XGBoost中进行故障诊断。使用PRONOSTIA平台采集的轴承工作数据进行实验,结果表明,文章方法可以准确预测出轴承短期内的振动信号并诊断出可能发生的故障,证明了该方法在轴承的故障诊断和预警中的可行性与正确性。     

基于VC++的无线传感器振动信号采集与处理系统开发

针对目前众多的基于无线传感技术的信号采集系统中缺少专门用于振动信号的采集与处理软件以及基于有线传感器的振动信号监测系统存在的问题,以Visual C++为开发平台,采用面向对象的思想,基于无线传感器网络技术开发了无线传感器振动信号采集与处理系统。该系统集成了振动信号的采集和常用的振动信号处理功能,使得研究人员能够更加方便地进行实验数据的采集以及实时处理。系统开发完成后,在反共振试验台上对该系统进行了测试。测试结果表明:该系统操作简单直观,可以方便地进行信号采集与处理、无线节点参数设置及状态监测等操作。     

用故障诊断方法判断机床主轴轴承的工作状态

论文阐述了利用轴承振动信号可判断机床主轴轴承的工作状态，通过频谱分析可对轴承进行故障诊断及预紧力确定；应用B＆K2148采集振动信号，MATLAB进行数据处理，对CKS6116型机床主轴前轴承进行了故障诊断与预紧力分析并取得了满意的效果。     

EEMD降噪与倒频谱分析在风电轴承故障诊断中的应用

针对风电轴承故障时的振动信号为低频信号,并且出现不平稳、非线性等特点,一般很难检验出来,所以提出了一种新的轴承故障诊断方法:首先提出了基于相关系数与峭度相结合的EEMD降噪方法,对轴承振动加速度信号进行去噪,然后对降噪后的信号再次进行EEMD分解并与倒频谱相结合,对振动信号进行处理。此方案不仅提高了振动信号的信噪比,而且抑制了在经验模态分解中的模式混叠现象,提高了故障诊断的准确性,充分显示了其应用在风电轴承故障诊断系统中的可行性。     

基于EMD与SSA-SVM的轴承故障诊断

为提高轴承早期故障诊断的准确率,使用经验模态分解(EMD)与麻雀算法(SSA)改进的支持向量机(SVM)结合的方式对故障进行诊断。首先,使用ADAMS软件采集6203轴承外圈、滚子及内圈故障的振动仿真信号;其次,将仿真信号及实际信号作为输入信号进行EMD分解,同时对分解的IMF分量选择自相关性最大的进行Hilbert包络处理;最后,对包络处理得到的故障频率选取前3个峰值采用SSA-SVM对故障进行诊断。不同的输入样本及不同的算法模型的诊断结果表明选取故障频率作为输入特征向量,在SSA-SVM中能够准确的诊断出故障类别,证明ADAMS能很好的解决轴承故障数据的采集问题,所用的诊断方法为轴承故障诊断提供了一种高准确率的方法。     

基于阶比分析和EEMD的轴承故障诊断

针对轴承故障诊断中轴的转速变化影响振动信号提取的特点,将阶比分析法与总体平均经验模式分解方法相结合,提出一种研究轴承非平稳振动信号的故障诊断方法。对轴承的振动信号按传统的方法在时域上进行采样,通过计算阶比跟踪将其转化为角域上的准平稳信号,对上述角域信号进行总体平均经验模态分解得出包含故障信息的模态函数分量,并对该分量进行频谱分析。应用结果表明:该方法能够有效地提取出轴承的故障特征。     

基于声发射的滚动轴承故障诊断方法

为诊断低速滚动轴承故障,克服传统振动法诊断时故障信号极其微弱的缺陷。在实验室条件下对各类故障模式滚动轴承进行声信号采集,并对故障轴承声信号进行参量分析和波形分析的基础上,利用撞击数和神经网络技术对滚动轴承进行了故障诊断,提高了低速滚动轴承故障诊断的有效性和准确性。     

基于GAF与GoogLeNet的轴承故障诊断研究

为提高滚动轴承故障识别准确率,同时避免繁琐的频谱分析,提出基于GAF与GoogLeNet的轴承故障诊断模型.在实验室中采集滚动轴承正常、内环故障、外环故障和滚动体故障4种工况下的振动信号,利用EMD对振动信号进行分解并提取累积贡献90％的分量;基于重叠采样原理,利用格拉姆算法将选择的EMD分量和原始振动信号处理为二维图...     

基于多传感数据融合的变速运行齿轮异常振动故障诊断

变速运行齿轮异常振动故障诊断性能过差会增加汽车维护成本,缩短齿轮使用寿命。为了及时识别齿轮故障,保证汽车变速器总成具有良好的振动特性,提出基于多传感数据融合的变速运行齿轮异常振动故障诊断方法。通过分析多传感器数据融合技术,掌握变速运行齿轮异常振动故障诊断的理论框架,并以此为基础,参考传感器融合模块、特征级并行多神经网络局部诊断模块和终端分类模块,结合变分模态分解、多通道加权融合和单隐层前馈神经网络训练算法,从信号采集、信号特征提取和信号特征分类3个步骤实现变速运行齿轮异常振动故障诊断。实验结果表明：在齿轮发生轻度磨损时,磨损振动信号的幅值在20~40 mV之间,磨损振动信号的频率在0~4 000 Hz区间;中度磨损时,信号的幅值在30~55 mV之间,信号频率在3 000~7 000 Hz区间;重度磨损时,信号幅值在50~70 mV之间,信号频率在6 000~12 000 Hz区间,且各阶段诊断结果均与故障程度的实际转折点吻合。由此可知在各样本数量均相同的情况下,提出的故障诊断方法预测值与真实值均相同,故障程度和故障类型的诊断性能均较好。     

基于GMDH与SVM的信号缺失情景下轴承故障诊断

针对在轴承故障数据采集过程中,由于外界干扰导致部分信号缺失的问题,提出一种基于数据分组处理算法(GMDH)与经粒子群优化的支持向量机(PSO-SVM)算法相结合的轴承故障诊断方法。首先,利用GMDH算法搭建时间序列预测模型,预测出并弥补上缺失的数据并与采集信号整合;其次,经过PSO-SVM模型对完整的数据集进行故障类型诊断;最后,实验采用了凯斯西储大学轴承故障振动数据,并与SVM、PSO-SVM等算法进行比较,验证了在信号缺失情景下,GMDH-SVM混合诊断方法的有效性。     

基于振动时域特征的船用滚动轴承故障诊断方法

基于机器学习故障诊断方法,针对船用滚动轴承复合故障特征提取多样化的特点,提出一种以振动信号时域指标为特征的随机森林故障诊断方法。将振动时域信号进行清洗转换,构造5个量纲一化指标的衍生特征,并选取以决策树为基本分类器的随机森林算法建立训练模型;通过特征筛选、评估测试和模型优化得到较为理想的故障诊断分类模型;采用滚动轴承竞赛数据集进行模型仿真,并结合实际模拟8种船用滚动轴承故障状态。通过三向振动实验和算法建模,证明特征提取的科学性和故障诊断模型的有效性。结果表明:采用该方法,数据仿真诊断准确率为98.61%,实验诊断准确率为98.85%,且该方法在振动采集方向为轴向时诊断效果最优。     

基于Android的机床在线无线振动监测仪研制

为保护操作者的安全、防止切削液的外漏等,现代数控机床都安装了防护罩壳,这给现场在线监测的传感器布线、布点造成了困难。针对传统有线振动传感器在密闭防护罩壳内存在布线、布点困难和功耗高等问题,研制基于Android系统和CC2540单片机的无线振动测量仪。通过Android系统和蓝牙实现了仪器的在线参数设置和无线传输、实时数据显示和存储功能,无线传输有效地解决了传感器布线问题。以CC2540单片机为控制核心的测量模块完成了信号预处理和采集,该单片机自带低功耗蓝牙模块与Android系统实现全双工通信并将数据存储在TF卡或者云空间内。实际测试表明:该仪器能实现对振动加速度信号的精确测量,并通过单片机内部自带低功耗蓝牙模块与Android手机准确到收发数据、存储数据,使用方便、操作简单,具有良好的应用前景,可为其他新型无线测量设备的开发提供参考。     

基于FIR分解的轴承故障快速诊断方法研究

为实现轴承故障的快速准确诊断,以互相关和互信息为基础构造一种针对轴承的快速故障诊断方法。该方法首先运用有限长单位冲激响应（Finite Impulse Response,简称FIR）滤波器对各单一故障（包括内圈、外圈、滚珠、保持架）振动信号进行分解,降低信号分解过程中因模态混叠造成的干扰,以力学分析建立的各故障振动模型为参考,对分解后的子信号采用互相关分析法,选出表征故障特征的子信号,计算子信号透露的信息量——互信息,用于构造故障特征矩阵,最后由K最近邻分类算法（K-Nearest Neighbor,简称KNN算法）的识别结果验证该算法对实现轴承故障快速识别具有优势。     

直升机动力传动系统故障诊断方法

为降低飞行事故,保证飞行安全性,对直升机动力传动系统进行故障诊断研究。分析行星齿轮振动机理以及信号分离方法,设计并制作行星齿轮箱故障诊断试验台,利用LABVIEW虚拟仪器采集系统采集振动信号,通过行星齿轮啮合试验,对所采集的数据文件进行信号处理,检测和分析行星齿轮箱的轮齿缺陷。结果表明:对从行星齿轮传动机构获得的振动数据进行信号时域平均,可实现对行星齿轮振动信号的充分分离,清晰地检测出故障所在,以达到直升机动力传动系统故障诊断的目的。     

基于小波分析和RBF神经网络的轴承故障诊断研究

为了提高轴承故障信号的诊断性能,采用小波分析和RBF神经网络相结合的方法对轴承振动信号进行故障分类。首先对轴承振动信号进行小波变化,采用软阈值去噪方法滤除振动信号噪声,然后对振动信号矩阵化处理,接着构建RBF神经网络,输入轴承振动信号特征向量,初始化权重和阈值,最后通过不断反向迭代得到稳定的RBF神经网络故障判别模型。实验证明：通过差异化设置隐藏层神经元数量,确定合适的RBF神经网络规模,经过小波去噪可以有效提高轴承故障判别准确率,相比于常见轴承故障分类算法,算法具有更高的故障判别准确率。