基于声发射的滚动轴承损伤振动机理研究

论述了声发射技术应用于滚动轴承状态监测和故障诊断的方法.对各典型状态滚动轴承在不同转速和载荷下的声发射信号进行了振动分析,研究了滚动轴承的损伤振动随转速和栽荷的变化规律.定义了基于振动分析的声发射信号特征参数,研究了各特征参数随转速、载荷和损伤类型的变化规律.研究结果为滚动轴承的安全运行、状态监测和故障诊断提供了一种新的方法.     

齿轮传动系统的智能故障诊断

在基于小波分析、模糊推理、神经网络等理论和现场调试的基础上,研制了齿轮与滚动轴承智能故障诊断系统.该系统具有完善的实时状态监测、时频域分析、智能故障诊断等功能,能有效地诊断出齿轮传动系统的故障发生部位、性质、程度、原因等.     

小波包与Hilbert分析法在旋转设备故障诊断中的应用

文中分析了对齿轮和滚动轴承的故障诊断在旋转机械设备中的重要性,介绍了小波包分析和Hilbert分析的理论,针对齿轮和滚动轴承故障信号的非平稳性特点,提出了一种基于小波包分析和Hilbert分析法相结合的故障诊断方法.在matlab中应用该方法对齿轮的点蚀故障和滚动轴承的内环故障进行诊断,仿真结果表明,基于小波包分析与Hilbert分析法相结合的方法可以有效地提取齿轮和滚动轴承的故障特征频率,从而可以迅速地识别出齿轮和滚动轴承的故障类型.     

基于小波熵和ANFIS的轴承故障诊断方法

提出一种基于小波熵和自适应神经模糊推理系统(ANFIS)的滚动轴承故障诊断方法.对原始振动信号进行小波包分解,提取小波熵特征,然后用ANFIS作为分类器进行故障模式识别.比较人工神经网络(ANN)与ANFIS的故障诊断效果.结果表明,该算法诊断准确率高于神经网络.     

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。     

基于主特征模式的机电系统故障诊断算法(英文)

机电设备运行状态的监测对保障系统稳定可靠运行、预防重大事故发生有重要意义.针对传统诊断方法由于故障信息不足导致的诊断精确度差,提出了一种基于主特征模式识别的故障诊断方法.基于多源特征信息融合,研究了基于多传感器系统的特征融合故障诊断模型,讨论了反映系统运动状态特征的指标体系及故障诊断算法.文中以滚动轴承系统故障诊断为例,首先计算了各传感器获取信号的时域特征参数,然后,借助主特征模式对特征信息进行融合与降维处理,实验测试数据显示出与传统诊断方法相比较该算法有更好的故障诊断性能.研究结果表明了该方法在重型机电设备故障诊断中应用的可行性与合理性.     

基于机器学习算法的滚动轴承故障诊断研究

为了解决滚动轴承故障诊断过程中特征提取困难以及数据处理缓慢等主要问题,提出了基于5种机器学习算法且仅需提取4种简单特征的滚动轴承故障诊断方法。首先,对不同故障类型的滚动轴承振动信号的时域信号进行了分析,并提取时域信号的4种简单特征输入到分类模型,然后,采用机器学习算法对滚动轴承进行故障分类与诊断。实验结果表明,与传统的轴承故障诊断方法相比,用机器学习方法对轴承进行故障诊断更简单且具有更好的诊断效果。研究内容为以后用机器学习分类算法来研究轴承的故障诊断问题提供了参考。     

基于迭代滤波和最大相关峭度解卷积的滚动轴承故障诊断方法

针对噪声环境下滚动轴承故障特征提取的难题,提出了基于迭代滤波和最大相关峭度解卷积的滚动轴承故障诊断方法。首先对轴承振动信号进行迭代滤波分解,然后通过相关系数和峭度准则筛选出敏感的内禀模态分量,对敏感的内禀模态分量进行最大相关峭度解卷积降噪,最后对降噪的信号进行频谱分析完成轴承故障诊断。对轴承仿真信号和滚动轴承故障振动试验信号进行了分析,结果表明文中方法能有效地应用于滚动轴承故障诊断。     

基于人工神经网络技术的矿用皮带机滚动轴承故障诊断

滚动轴承是矿用皮带机的重要零部件,直接决定着皮带机的运转状况。因此,对其开展故障诊断研究有重要的理论和现实意义。研究了人工神经网络的原理、结构和学习算法,并将该网络应用于皮带机滚动轴承的故障诊断中。首先采集不同类型的滚动轴承故障信号,并对信号进行预处理。然后对神经网络进行训练,当训练误差满足设定要求时,训练完成。最后,利用训练成熟的神经网络对滚动轴承进行故障诊断。实验结果表明神经网络技术可以快速、准确地诊断出皮带机滚动轴承的故障类型。     

基于WPD-CNN二维时频图像的滚动轴承故障诊断

滚动轴承故障诊断是现代工业发展中的重要技术。针对滚动轴承信号特征提取与智能诊断问题,提出了一种基于WPD-CNN二维时频图像的滚动轴承故障诊断方法。首先通过小波包分解(WPD)将信号转换为二维时频图像;其次将时频图像输入VGG19卷积神经网络(CNN)模型自动提取有效特征,并输入Softmax分类器进行训练;最后使用训练好的分类器完成滚动轴承故障诊断任务。实验结果表明,10类故障数据的识别准确率均在98.3%左右,高于其他深度学习和传统方法,因此所提出的故障诊断模型能有效地进行滚动轴承复杂信号的特征提取以及分类任务。     

基于随机共振与CEEMD的滚动轴承微弱故障诊断

针对滚动轴承早期故障信号微弱且不易检测，导致故障诊断准确率低的问题，提出一种天鹰算法优化随机共振参数与互补集合经验模态分解(CEEMD)相结合的滚动轴承微弱故障诊断方法。首先，以信噪比为适应度函数，采用天鹰算法对随机共振参数进行自适应优化；其次，利用CEEMD将随机共振系统输出信号分解成一系列的本征模态分量(IMF),根据相关系数准则挑选最优的IMF,并对其进行包络谱分析，提取故障特征频率，实现故障诊断。试验结果表明，该方法避免了单纯使用随机共振检测准确率低的问题，故障诊断精确度更高，可靠性更好。     

基于迁移学习的滚动轴承复合故障诊断研究

针对现有故障诊断方法多是面向单一故障进行研究,对于实际工况下的复合故障缺乏相应的诊断方法,提出一种基于有监督学习的ConvNeXt滚动轴承多工况复合故障诊断模型（TConvNeXt）。通过合成少数类过采样技术将滚动轴承数据集重构为平衡数据集,以提高复合故障样本的利用率;利用迁移学习使TConvNeXt网络模型掌握判别滚动轴承复合故障信息所需的部分权重,通过格拉姆角场将一维信号转换为RGB图像输入模型,训练模型剩余权重;最后将训练后的TConvNeXt网络模型用于滚动轴承故障诊断并且利用Grad-CAM方法进行可视化,分析网络诊断错误起因并对网络进行调整;将训练准确率最高的模型用于滚动轴承故障实测,检验其实际工况下的诊断能力。实验结果表明：TConvNeXt网络模型具有高诊断精度,它不仅在混叠故障诊断中表现突出,在单一故障诊断中也具有优势,能够很好地适应多工况下不同故障类型的滚动轴承故障诊断要求。     

小波变换在轴承故障诊断中的应用

概述了提高滚动轴承故障诊断准确性的重要性。针对滚动轴承的故障诊断方法的不足,介绍了用小波的方法诊断的基本原理、特点和小波变换的基本步骤,并通过实例说明该方法在处理非平稳、时变信号的优越性。     

故障诊断中滚动轴承数据库系统的设计及应用

针对故障诊断过程中滚动轴承型号复杂、种类繁多，生产厂商各异的情况，利用Powerbuilder这一强大的数据库开发工具，设计出可广泛应用于设备状态监测、故障诊断和预知维修领域的滚动轴承数据库系统，并以实例说明了该数据库系统在故障诊断中的作用。     

滚动轴承故障诊断数据库系统的设计与应用

针对滚动轴承故障特征频率难以获取的事实，本文利用PowerBuilder强大的数据库功能，设计出一套数据完整、查询维护方便的滚动轴承数据库系统，同时以实例说明该系统可广泛应用于设备状态监测、故障诊断和预知维修领域。     

基于极限学习机的滚动轴承故障诊断方法

针对传统智能故障诊断方法所需调整参数多且难以确定、训练速度慢,致使滚动轴承故障分类精度、效率差的问题,提出了一种基于极限学习机的滚动轴承故障诊断方法。首先,将采集的信号经EMD后,提取与原信号相关度较大的IMF能量指标。其次,建立滚动轴承的极限学习机故障分类模型;最后,将能量指标组成的特征向量作为模型输入进行滚动轴承不同故障状态的分类识别。实验结果表明:与基于BP、SVM、PSO-SVM与GA-SVM故障分类方法相比,基于极限学习机的滚动轴承故障诊断方法具有更快的运行速度、更高的分类精度。     

基于小波理论的低速重载轴承的故障诊断研究

针对低速重载设备故障的特点,采集低速滚动轴承的故障信号.基于小波分析理论,对故障信号进行多尺度分解和信号重构,利用特定频带的信息进行故障诊断.结果表明,应用小波分析可以提取低速滚动轴承的故障特征频率.     

一种簇绒机故障诊断方法的研究

针对簇绒机的故障诊断问题,提出采集滚动轴承的振动信号进行故障诊断.采集的实际振动信号中往往存在噪声信号,需要去掉噪声后再进行诊断.局部均值分解(local mean decomposition,LMD)方法是一种新型的信号自适应分解的时频分析方法,并且已经应用到故障诊断中.为了进一步提高LMD的性能,提出采用分段Hermite插值替代原始的滑动平均方法.提出一种新的故障诊断方法,首先应用小波包变换分析方法,去除信号中夹杂的噪声,然后使用改进后的LMD方法进行信号的分解,选择相关系数较大的PF分量进行希尔伯特变化包络谱分析,成功提取相关的故障特征.通过仿真实例的分析和对滚动轴承的实际故障数据进行故障诊断,证明了该方法在故障诊断应用中的有效性.     

基于优化VMD和MHA-DenseNet的滚动轴承故障诊断北大核心

针对传统特征提取的故障诊断技术不能充分表征振动信号故障特征导致故障识别精度不高的问题,提出一种优化VMD和MHA-DenseNet的滚动轴承故障诊断方法。首先,采用麻雀搜索算法(SSA)对变分模态分解算法(VMD)的相关参数组合进行寻优;其次,采用优化VMD分解滚动轴承故障信号,获得的本征模态函数分量(IMF)作为神经网络输入数据;最后,构建多头注意密集神经网络(MHA-DenseNet)故障诊断模型来有效学习故障数据中的特征信息并完成滚动轴承的准确诊断。实验结果表明,提出的故障诊断方法识别率高达99.03%,相较于对比实验该方法提高了故障诊断的准确率。     

基于参数优化变分模态分解的滚动轴承微弱故障诊断研究

为了提高变分模态分解(VMD)对滚动轴承微弱故障特征提取的准确性,提出了一种基于参数优化VMD与奇异值分量及其熵相结合的滚动轴承故障诊断方法。该方法通过寻优算法确定VMD的模态数K和二次惩罚因子α;根据余弦-标准差指标提取VMD典型本征模态分量(IMF);计算IMF奇异值及其熵,并利用计算结果分别判断滚动轴承的不同故障状态。结合美国西储大学轴承振动信号数据,实验结果表明:相比经验模态分解奇异值故障诊断方法,基于参数优化VMD奇异值故障诊断方法能更明显地识别滚动轴承的不同故障类型,为区分滚动轴承微弱故障提供了一种可行的诊断思路。