AR谱分析在滚动轴承故障诊断中的应用

本文对比分析了基于Fourier变换的传统谱分析和基于时间序列建模的现代谱分析的优缺点。采用Burg法对不同故障部位滚动轴承的振动信号建立AR模型,并对AR模型谱作了分析。结果表明,AR谱分析在辨识滚动轴承故障特征频率方面优于传统谱。     

基于声发射波形流信号的滚动轴承故障双谱分析及诊断

使用声发射波形流测试技术,采集滚动轴承正常状态及外圈故障、内圈故障和滚动体故障时的声发射波形流信号,分析声发射波形流信号与故障频率特征值间的关系。运用包络谱分析方法对滚动轴承声发射波形流信号进行分析,提取运转过程中信号峰值频率,通过与滚动轴承不同故障固有特征频率的理论值对比,发现具有很好的一致性。通过对滚动轴承声发射波形流信号的包络分析,可实现滚动轴承故障的早期诊断。     

关于滚动轴承故障诊断的探讨

论述纺织机械上滚动轴承故障诊断的原理及方法，通过共振解调法，可以提轴承的故障信息，经过高通滤波后，进行了频谱分析可以找出轴承故障的部位及春程度，为机械的视情维修工作提供了一种有效的手段。     

自耦合谐波的多谱分析

在自耦合谐波参数的估计方法中,增加自耦合阶数时,并不增加多谱的维数和计算量。仿真结果表明,该方法可以估计多个ｋ阶自耦合谐波。     

AE技术对滚动轴承故障诊断的研究

设计组成了以计算机为中心的声发射信号提取与分析系统，采用高频声发射信号的共振解调法，既能判断轴承有无故障，又能确定故障发生的部位．实验表明，周AE共振解调法可以检测低速及普通转速下滚动轴承的故障，且有早期预测故障的特点，对实际设备诊断与维修有一定的指导意义．     

基于形态小波理论和双谱分析的滚动轴承故障诊断

为了探索基于双谱估计流程的对包含高斯和非高斯成分的故障信号进行有效处理的方法,将非线性小波-形态小波引入到振动信号处理中来,并进一步完善形态小波理论,提出形态小波包分解与重构算法.通过形态小波包软阈值降噪实现非高斯信号高斯化处理,在此基础上,发展了3种形态小波包-双谱分析级联算法:形态小波包-双谱估计、形态小波包-Hilbert-双谱估计、Hilbert-形态小波包-双谱估计,该方法对故障信号的高斯和非高斯成分都能有效抑止,尤其是Hilbert-形态小波包-双谱估计算法,适应性强,处理效果更好.经过滚动轴承故障诊断试验,结果表明,基于形态小波包和双谱分析的算法,能够准确区分不同类型、不同程度的故障序列,并取得了良好的效果.     

基于阶次倒双谱分析的滚动轴承故障诊断方法

针对齿轮箱升降速过程中振动信号非平稳的特点,将常规的阶次分析与倒双谱技术相结合,提出了基于阶次倒双谱的轴承故障诊断方法.首先对齿轮箱升降速瞬态信号进行时域采样,再对时域非平稳信号进行等角度重采样,转化为角域平稳信号,最后对角域重采样信号进行倒双谱分析,就可提取滚动轴承振动信号的故障特征.通过对滚动轴承内圈、外圈故障实验信号的分析.表明阶次倒双谱分析能有效地诊断滚动轴承故障.     

基于LMD切片双谱和SVM轴承故障诊断研究

针对滚动轴承发生点蚀故障时峭度和1倍频能量都会发生变化的情况,提出了基于局部均值对故障信号进行分解的方法。该方法取峭度值较大有效分量信号进行重构,再做切片双谱进一步降低高斯噪声对特征频率的影响,提取故障特征1倍频、2倍频和3倍频并进行归一化处理得到特征向量。利用支持向量机对提取的特征向量进行训练与测试,从而识别故障与否及发生点蚀故障的程度。通过对实测滚动轴承振动信号的分析与诊断,验证了该方法的有效性,说明其具有良好的应用前景。     

等距离映射和模糊C均值的滚动轴承故障识别

在滚动轴承的故障识别中,针对传统的等距离映射ISOMAP算法存在测地距离的计算偏差较大,故障识别部分混叠的问题,提出一种模糊C均值和等距离映射的滚动轴承故障识别方法。首先,对ISOMAP算法中的邻域大小k值用残差进行改进,保证映射结果很好地反映全局性质;其次可分性评价指标评价特征降维的效果;然后,采用了模糊C均值聚类方法,保证在拓扑空间中高维流形数据与低维空间光滑流形中的数据仍保持相近或相同的特性。最后,通过采集不同损伤程度下的滚动轴承振动数据进行实验验证,结果表明本文方法在分类效果和识别精度都有了明显的提升。     

希尔伯特-黄变换轴瓦异响故障诊断

根据汽车发动机信号非线性、非平稳性特点,分别对正常以及轴瓦异响发动机信号进行HHT,得到希尔伯特谱与时频分布三维图。将引起异响的高频成分从异响信号中分离,再通过对高频成分的分析找出故障原因。结果表明,正常发动机固有频率为210Hz,轴瓦异响发动机频率主要集中在500,1 500和2 700Hz,通过对比加速度谱分析结果,判断出轴瓦异响的原因是轴瓦磨损。     

基于阶次分析的风电机组在线模态参数识别与故障诊断

针对风电机组的健康监测和预警评估,将基于环境荷载激励的模态参数识别和计算阶次分析方法应用于风电机组齿轮箱系统的在线模态分析。设计并构建了风电机组在线模态参数识别与故障诊断系统,通过试验模态与在线模态识别参数以及不同环境荷载激励条件下的在线模态识别参数的测试结果对比,证明在线模态参数识别方法的可行性和实时性,系统运行稳定,数据可靠,为风电机组在线模态实测,多种环境荷载激励作用下动态特性以及故障诊断研究积累了大量数据。     

EEMD-PE与M-RVM相结合的轴承故障诊断方法

滚动轴承振动信号中包含了大量轴承运行状态信息,但是由于振动信号具有非线性和非平稳性的特点,难以充分提取振动信号中的故障特征,导致现有基于模式识别的轴承故障诊断方法的故障识别准确率较低.为了提高滚动轴承故障识别的准确率,提出了一种基于集合经验模态分解-排列熵(EEMD-PE)特征提取与多分类相关向量机(M-RVM)相结合的轴承故障诊断方法.首先,该方法利用EEMD对非线性和非平稳信号的自适应分解能力,将轴承故障信号分解为一组包含故障特征的本征模态函数(IMFs).然后,利用排列熵提取由EEMD分解得到的IMFs中的故障特征,并组成特征向量.最后,采用EEMD-PE对不同故障状态下的训练样本集进行特征提取,组成特征向量集对M-RVM分类器进行建模,以概率输出的形式实现对滚动轴承的故障诊断.实验结果表明:EEMD-PE特征提取方法能够对滚动轴承振动信号的故障特征进行有效提取,M-RVM能够对故障滚动轴承振动信号包含的故障特征进行识别.与现有轴承故障诊断方法相比较,所提出的方法能够提高故障识别准确率,达到99.58%.     

矿用通风机滚动轴承振动故障诊断研究

针对矿用通风机振动故障诊断中的特征提取问题,将小波包和希尔伯特变换相结合用于通风机滚动轴承的故障诊断,工程应用实例表明,通过该方法能有效提取出通风机滚动轴承内圈故障特征频率,诊断出滚动轴承的内圈故障,另外还可诊断出通风机存在轴系不对中故障,实现了通风机的精密故障诊断．     

基于自适应滤波的滚动轴承故障诊断研究

针对固有频率未知的滚动轴承故障诊断问题，提出了一种基于经验模态分解的自适应滤波方法。讨论了经验模态分解方法及其在获取固有模态函数过程中的自适应滤波特性。通过对滚动轴承故障振动信号进行经验模态分解得到固有模态函数，运用希尔伯特变换解调固有模态函数得到包络幅频图，获取滚动轴承故障特征频率，进而确定滚动轴承的故障位置。应用该方法对仿真和实际数据进行了分析，并与冲击脉冲法作了比较。结果表明，基于经验模态分解自适应滤波的滚动轴承振动信号解调方法能够更有效地突出故障特征频率成分，避免误诊断。     

关于滚动轴承故障诊断的探讨

论述纺织机械上滚动轴承故障诊断的原理及方法．通过共振解法，可以提取出轴承的故障信息．经过高通滤波后，进行频谱分析可以找出轴承故障的部位及其程度．为机械的视情维修工作提供了一种有效的手段．     

基于广义谐波小波分析的低速重载轴承故障诊断

研制出一种低频振动传感器作为谐振器,利用谐波小波在频域连续分布且具有严格的盒形谱特性,通过适当调整参数m和n,构造出不同频段的带通滤波器对信号进行广义谐波小波变换。通过广义谐波小波变换实现低速重载轴承振动信号的共振解调,从而提取出故障轴承的低频冲击信息．为低速重载轴承的故障诊断提供了一种新的有效方法。运用该方法准确判断出炼钢转炉悬挂齿轮箱耳轴轴承的故障。     

基于降噪及独立分量分析的轴承故障声信号特征提取

针对传统降噪算法的缺点,提出了将局部投影用于故障声信号的降噪。该算法具有较高的计算效率及广泛的应用前景,不仅可用于线性系统,而且还可用于非线性系统。而独立分量分析可用于分解相互独立的信号,它解决了多传感器信号的信息融合与特征提取问题。综合局部投影算法及独立分量分析算法两者的优点,提出了一种轴承弱故障特征识别算法。试验表明,该方法能有效地分离背景信号及特征信号。     

基于PCA-SVDD的故障检测和自学习辨识

为了利用多变量统计过程控制在故障检测上的优势以及克服其在故障辨识诊断上的缺陷,提出一套新的用于化工过程的故障检测和自学习辨识算法.应用主元分析(PCA)实施故障检测并对故障数据运用PCA特征提取,提出3种基于主元分析-支持向量数据描述(PCA-SVDD)的模式判别方法来实现故障的自学习辨识:考虑故障辨识时可能出现的类分布重合问题,分析和比较了基于欧氏距离和归一化半径判别这2种方法,提出针对新型未知故障辨识的加权归一化半径判别法.通过对Tennessee Eastman(TE)过程的仿真研究,说明了提出的故障检测和自学习辨识算法的可行性和有效性.