轴承振动检查仪校准方法研究

阐述了发动机轴承故障诊断的重要意义,对故障诊断测试所使用的专用测试设备(轴承振动检查仪)的工作原理及主要技术指标进行了详细的介绍;结合国内该项目校准的现状,对仪器主要技术指标、计量标准装置的配置,校准方法的选择等内容进行了详细的介绍。     

基于电流信号的振动电机轴承故障检测

振动电机轴承承载圆周激振力,其状态决定振动电机的使用寿命和安全性.针对振动电机轴承外滚道单点缺陷,提出基于电流频谱分析的轴承故障诊断方法.通过分析轴承受力,依据故障前后电机气隙长度、气隙磁导率和气隙磁通等参数的变化情况,建立振动电机轴承外滚道故障时的气隙变化模型.计算得出,当振动电机轴承外滚道产生单点缺陷时,定子电流中...     

基于轴承座振动特性的大型同步调相机偏心故障程度诊断方法

提出一种利用同步调相机偏心故障后的轴承座二倍频振动与振动幅度来判断气隙偏心故障程度的在线监测方案。首先,推导了动、静偏心故障后轴承座的振动特性,得出动、静偏心均会使调相机产生二倍频振动的结论。其次,利用二倍频振动与振动幅度作为鉴别故障程度的特征量,推导得出不同类型偏心故障程度的计算公式。最后,采用Maxwell有限元软件搭建了某300 Mvar大型同步调相机二维模型,仿真计算出不同程度偏心故障后轴承座所受到的不平衡电磁力,对所提偏心故障程度诊断方案进行仿真验证。结果表明,该方案能够准确计算出故障偏心程度,并且偏心故障程度越大,该方案的诊断误差越小。该方案的提出对大型同步调相机偏心故障程度的在线监测诊断具有极大的参考价值。     

基于定子振动特性的汽轮发电机气隙偏心故障程度鉴定方法研究

本文提出了一种应用汽轮发电机定子通频振动烈度与特定频率成分振动幅值比对来鉴定气隙偏心故障程度的方法。首先对发电机定转子振动影响因素进行了对比分析,得出定子振动主要受气隙偏心等影响气隙磁密的故障影响,论证了所提方法的可行性。然后推导分析了偏心故障前后电机定子的振动特性变化,给出了偏心故障程度的具体鉴定计算方法。最后在SDF-9故障模拟发电机上进行了实验验证。结果表明,本文所提方法能在整体上较为客观地鉴定出发电机的偏心故障程度,为发电机故障程度的鉴定提供了新的思路,具备参考价值和积极意义。     

基于EMD分形技术提取变速器轴承故障特征

故障轴承振动信号具有分形特征,可以利用分形维数有效识别变速器轴承的故障模式.噪声的存在对分形维数的计算结果影响较大,为此采用经验模态分解（EMD）方法,对变速器轴承振动信号进行EMD分解,计算分解后的IMF分量的分形维数,提取出变速器轴承不同技术状态下的故障特征。对实测变速器轴承振动信号分析,结果表明：EMD能对不同频带信号进行有效分离;特定IMF分量的分形维数能敏感反应变速器轴承技术状态,可以作为变速器轴承故障诊断的特征参数;EMD与分形维数相结合是提取变速器轴承故障特征的一种有效方法。     

基于Inception v3的印刷设备轴承故障智能诊断方法研究

目的 轴承作为印刷设备中的旋转核心元件,其运行状态对印刷设备的健康监测作用较大。通过融合小波时频处理与Inception v3模型的优势,提出一种用于印刷设备轴承故障智能诊断方法。方法 利用Morlet小波对采集到的印刷设备轴承原始振动信号进行处理,得到对应的二维时频图像,从时域和频域两方面对轴承故障进行表征;将时频图像作为Inception v3模型的输入,利用其模型的稀疏特性,快速从时频图像中自动学习故障特征,并对其模型参数进行调整;最后,利用训练好的模型实现印刷设备轴承故障诊断。结果 利用印刷设备轴承实验平台对提出方法的有效性进行了验证,实验结果表明该方法的平均诊断精度可达92.53%。结论 与传统智能诊断方法相比,所提方法在诊断精度与稳定性方面均具有一定的优势,可实现高精度印刷设备轴承故障诊断。     

基于多尺度熵的滚动轴承故障程度评估

轴承故障严重程度评估是实现视情维修的基础。滚动轴承出现故障时,其振动信号将表现出非平稳性和非线性。基于多尺度熵方法,构建了一个同时考虑多个尺度上熵值均值大小和熵值变化趋势的轴承故障程度描述新指标——多尺度熵均偏值(PMME)。仿真实验和轴承疲劳实验数据分析表明该指标能够较早地发现轴承早期故障,并且能很好地跟踪故障发展趋势。     

基于定子振动特征的转子绕组短路故障识别

分析了汽轮发电机转子绕组匝间短路故障和转子不平衡故障时定、转子径向振动特征。当转子绕组匝间短路故障发生时,转子基频振动增加,定子二倍频振动减小;当转子不平衡故障发生时,转子基频振动增加,定子二倍频振动增加,不同于转子绕组匝间短路故障时的定子振动特征。在此基础上提出了基于定子振动信号的转子绕组匝间短路故障识别方法,与传统的单纯利用转子振动信号的诊断模型相比,可有效识别转子绕组匝间短路故障和转子不平衡故障。最后实测了SDF-9型故障模拟发电机定、转子径向振动信号,与理论分析结果基本吻合。     

减速器故障的振动检测与诊断

本文以减速器振动机理为基础，分析阐述减速器故障对振动频谱的各种影响，根据在工作状态下所得的外部监测信号，运用独特的倒频谱分析，清晰地分离并检测出减速器的内部故障，研究与试验表明：倒频谱分析是减速器故障诊断一种有效方法。     

基于深度森林的轴承故障诊断方法

利用深度神经网络进行机械故障诊断存在复杂的调参过程,并且参数的赋值对诊断结果影响很大,为解决该问题提出一种基于深度森林的诊断模型.采用重采样技术提取了时域和频域特征;以多组简单工况下的轴承实验数据训练构建深度森林模型,在分析超参数对模型影响的基础上确定了诊断模型的关键参数;将该模型应用到复杂工况下,与随机森林模型及深度...     

基于灰色关联度和Teager能量算子的轴承早期故障诊断

滚动轴承的健康状态直接影响着旋转设备的运行状态,为了及早获取滚动轴承状态异常的信息,提出了基于灰色关联度和Teager能量算子(TEO)的滚动轴承早期故障的诊断方法。对滚动轴承运转的振动数据进行等长度分组,计算各组数据与轴承状态良好的第一组数据之间的灰色关联度,根据灰色关联度值的变化趋势,确定早期故障发生的时间段,截取该时段的振动数据进行Teager能量包络谱分析,确定故障类型。分别采用峭度系数、波形因子和均方根等指标与TEO相结合的方法对相同的轴承振动信号进行了分析和故障诊断,将各种方法的早期故障诊断结果与所提方法比较,结果验证了"灰色关联度+TEO"方法在轴承早期故障诊断中的可行性及有效性。     

基于振动分布特征的电力变压器绕组故障诊断

振动分析法是实现电力变压器带电监测与故障诊断的重要手段,而基于振动分析法的故障诊断方法的关键在于从复杂的油箱壁振动信号中提取出状态特征(值或矢量)。传统的状态特征提取方法大多选取单个测点的振动信号进行时域或频域特征的提取,往往忽略了各测点间的振动分布特征。从振动重心的角度对振动分布的幅值重心及重心轨迹进行研究与分析,能够提出四个量化参数。在四个量化参数的基础上结合支持向量机分类算法提出基于振动分布特征的变压器绕组故障诊断模型。实际变压器的绕组故障实验以及十余台台电力变压器现场实测数据样本的分析与测试结果均表明,提出的振动分布特征及量化参数能够有效反映变压器绕组变形、压紧力松弛等机械结构变化,而基于振动分布特征的绕组故障诊断模型也可准确的对变压器绕组机械结构状态进行检测与诊断。     

基于卷积胶囊网络的滚动轴承故障诊断研究

针对目前许多基于深度学习的滚动轴承故障诊断方法在检测含有噪声的信号以及载荷变化时,其诊断性能会有所下降的问题。提出一种基于卷积胶囊网络的故障诊断方法;该模型使用两个卷积层的卷积网络直接对原始的一维时域信号进行特征提取,并将其送入胶囊网络,输出每种故障类型的诊断结果;为了验证该模型的诊断性能,选用凯斯西储大学轴承数据库来进行验证,并与常见的卷积神经网络和深度神经网络进行对比。试验结果表明,相比于其它深度学习方法,该方法在载荷变化以及信号受到严重噪声污染时,依然拥有良好的诊断性能。     

基于PSO-BFA和改进Alexnet的滚动轴承故障诊断方法

现实中滚动轴承的工况复杂易变,无法有效地对其进行故障诊断。对此,提出一种基于粒子群优化的细菌觅食(Particle Swarm Optimization and Bacterial Foraging Algorithm,PSO-BFA)和改进Alexnet(第二代卷积神经网络)的滚动轴承故障诊断方法。该方法将Alexnet的结构简化,并分别在其前两层池化层之后添置局部归一化层以降低训练成本;将以小批量样本softmax的交叉熵为损失函数,按Adam迭代优化法小样本、少迭代次数训练改进Alexnet后的变负荷样本诊断精度设计为适应度函数,并结合PSO中粒子移动速度的更新方法更新BFA中细菌的游动方向来寻找改进Alexnet的结构等相关参数;根据PSO-BFA所得的参数,以相同的训练方法大样本、多迭代次数训练改进Alexnet,实现复杂工况下滚动轴承多状态故障诊断。实验结果表明所提出的方法对复杂工况下滚动轴承16种故障状态的诊断是可行的,且有更高的诊断精度、更好的抗干扰和泛化性能。     

基于EEMD和改进的形态滤波方法的轴承故障诊断研究

轴承故障会导致振动信号中出现冲击响应成分,可通过对冲击响应成分的周期的检测与提取, 进行局部故障诊断。但在复杂工况下,故障脉冲易被周围噪声淹没,在分析EEMD和形态学滤波方法的基础上,将EEMD方法与形态学滤波方法相结合,提出结构元素(SE)选择方法,并用于本征模态信号中冲击响应特征的提取。通过将该方法用于轴承外圈、内圈局部故障状态下的特征的检测,结果表明该方法能有效提取周期性脉冲成分并抑制噪声。     

基于双树复小波包峭度图的轴承故障诊断研究

针对传统包络谱和峭度图分析技术的缺陷,提出了一种基于双树复小波包峭度图的轴承故障诊断方法。该方法综合利用了双树复小波包变换和峭度图分析技术,克服了原峭度图方法只采用FIR和短时傅立叶变换滤波器的缺点,提高了从强噪声环境中提取瞬态冲击特征的能力。首先利用双树复小波包变换,将振动信号分解成不同频带的分量,然后计算各小波分量的谱峭度,再利用谱峭度的滤波器作用,计算最大峭度值对应分量信号的包络谱,根据包络谱就可识别齿轮箱轴承的故障部位和类型。齿轮箱轴承故障振动实验信号的研究结果表明：该方法不仅提高了信噪比和频带选择的正确性,而且能有效地识别轴承的故障。     

结合VMD和Volterra预测模型的轴承振动信号特征提取

针对滚动轴承振动信号的非线性和非平稳性特点,提出了一种结合变分模式分解(VMD)和Volterra预测模型的轴承振动信号特征提取方法。利用VMD良好的非平稳信号分解能力将轴承振动信号分解成有限个平稳的本征模式函数(IMF)分量,然后对各IMF分量进行相空间重构,在重构的相空间内建立Volterra自适应预测模型,根据类内类间距准则对模型参数进行优选,用于描述轴承振动信号。对4种状态的滚动轴承振动信号进行了分析,优选的特征参数表现出较好的分类性能。实验结果表明,该方法能有效提取振动信号中的非线性和非平稳特征,从而提高滚动轴承故障诊断精度。     

基于LCD-Hilbert谱奇异值和QRVPMCD的滚动轴承故障诊断方法

针对多变量预测模型的模式识别（Variable predictive model based class discriminate,简称VPMCD）方法在参数估计中存在的缺陷,采用分位数回归（Quantile Regression,简称QR）代替原方法中的最小二乘法进行参数估计,克服最小二乘回归中强假设、易受异常值影响等问题,以此提高模式识别的精度。因此,提出了基于分位数回归的多变量预测模型模式识别方法（Quantile Regression -Variable predictive mode based class discriminate ,简称QRVPMCD）。采用局部特征尺度分解（Local characteristic-scale decomposition,简称LCD）方法对滚动轴承振动信号进行分解得到若干个单分量信号,提取单分量信号的Hilbert谱奇异值组成故障特征向量,并以此作为QRVPMCD的输入进行滚动轴承故障诊断。对不同工作状态和故障类型下的滚动轴承振动信号进行了分析,结果表明了该方法的有效性。     

基于PSO改进深度置信网络的滚动轴承故障诊断

针对深度置信网络(Deep Belief Network,DBN)用于轴承故障诊断时,网络层结构调试比较费时等问题,提出一种基于粒子群优化(Particle Swarm Optimization,PSO)的DBN算法,以及基于该算法的轴承故障诊断模型。该模型利用PSO算法优选DBN网络结构,并通过自适应时刻估计法微调模型参数,随后运用具有最优结构的DBN模型直接从原始振动信号中提取低维故障特征,并将其输入到Soft-max分类器中识别轴承的故障模式。该算法与支持向量机、BP神经网络、DBN、堆叠降噪自编码等方法进行对比分析,实验结果表明,PSO改进的DBN算法具有更高的准确率以及更好的鲁棒性。     

基于遗传算法的滚动轴承复合故障诊断研究

建立了滚动轴承外圈与滚动体各有一点损伤的典型故障模型,在损伤模型振动分析的基础上,利用遗传算法的寻优功能,对故障的特征参数进行自动优化,最后利用逐次诊断理论,对变工况条件下的滚动轴承复合故障进行诊断。计算结果表明该方法对于滚动轴承的复合故障诊断非常有效。