基于小波-频谱分析的滚动轴承故障诊断的应用研究

对于实际工作中的轴承发生故障时,其故障冲击的能量小,干扰噪声多。直接采用频谱分析得到的频谱图谱线比较密集,有时很难鉴别出故障。本文利用小波多分辨分析能对信号进行不同频段分解特点,研究了小波-频谱分析在滚动轴承故障诊断中的应用。通过对滚动轴承外圈、内圈和滚动体三种不同的早期故障的实验信号进分析,结果证明该方法可以有效的鉴别出滚动轴承的不同故障。     

滚动轴承早期故障优化自适应随机共振诊断法

针对滚动轴承不同零件早期故障诊断难的问题,课题组提出了优化自适应随机共振的诊断方法。介绍了自适应随机共振;提出了以信噪比为目标的优化自适应随机共振诊断法;采用正弦加噪信号的仿真实验验证了优化自适应随机共振的诊断可行性。实测信号实验结果表明:优化自适应随机共振对轴承内圈、外圈故障具备直接诊断能力;将优化自适应随机共振与小波虑噪相结合可以取得滚动体良好的诊断效果。该研究为滚动轴承不同零件早期故障诊断提供了一种新思路。     

基于模糊神经网络的造纸机变量泵故障诊断

提出了一种模糊神经网络的纸机变量泵故障诊断方法。针对纸机变量泵运行时转速变化的特点,采用基于数字重采样的阶比分析方法对变量泵振动信号进行预处理,将非平稳信号转换成平稳信号以利于有效提取信号特征。以变量泵振动信号阶比波谱各频段上的能量为特征参数,通过模糊神经网络模型诊断其转子不平衡、油膜振动、轴与轴承不对中故障。该方法充分发挥了模糊神经网络强大的自学习能力和知识表达能力的优点,有效提高了故障诊断的精度和效率。     

基于BI-TCP卷积神经网络的纸机轴承故障诊断方法研究

针对传统纸机轴承故障诊断模型无法有效提取轴承振动信号深层特征而导致诊断精度难以提高,基于深度学习网络模型参数量过大的问题,提出了一种基于双模态输入和双通道并行卷积神经网络（BI-TCP-CNN）的纸机轴承故障诊断方法。该方法首先在输入数据方面进行创新,将轴承振动信号分别转化为对应的格拉姆角场（GAF）矩阵与欧式距离矩阵,并将二者成对组成的二维矩阵作为网络的输入;其次,利用双通道并行的浅层卷积神经网络提取信号中的不同特征并进行融合,在提高特征完备表达的同时大幅降低了模型的参数量。在凯斯西储大学（CWRU）数据集与实验室搭建的故障诊断实物平台上进行的实物验证结果表明,该方法在CWRU数据集以及实物平台上的故障识别精度均在99.2%以上,可很好地实现对纸机轴承的故障诊断。     

基于神经网络的航空轴承状态智能监测设计

文章提出了基于神经网络的航空轴承状态监测设计方法。利用机载数据采集器与振动加速度对航空轴承健康、保持架断裂、滚动体剥落、内圈剥落、外圈剥落5种状态进行监测,基于振动时域信号与神经网络分析方法对5种状态进行识别。测试结果表明,利用该分析方法能够有效判别航空轴承状态情况。     

一种面向大负载低转速轴承的故障诊断方法

造纸生产线上,有很多大负载、低转速的旋转设备,其轴承在承受较重载荷时,极易受到损伤,导致设备故障,甚至造成停机。因此,大负载低转速轴承的在线故障诊断非常重要。本课题在对大负载低转速轴承振动的诊断难点及当前故障诊断常用方法分析的基础上,提出了一种基于快速谱峭度包络解调分析的轴承故障诊断方法。首先采用快速谱峭度法计算振动信号的最大谱峭度值,确定最优的带通滤波器系数,然后利用带通滤波器对振动信号进行降噪处理,最后利用希尔伯特变换方法对降噪信号进行处理,分析包络谱,得到诊断结果。借助团队自行设计的轴承故障实验台,对本课题所提方法的优缺点和适用性等进行了实验研究,验证了本课题算法的有效性,并为工程应用提出了建议。     

基于径向基函数神经网络的电机轴承智能故障诊断

本文提出了一种新的电机轴承故障诊断方法.首先把滚动轴承振动信号作为识别故障的特征向量,然后送入径向基函数神经网络中,进行故障类别的自动识别.试验结果表明,该诊断模型对电机轴承故障诊断具有良好的诊断效果,系统不仅能够检测到轴承故障的存在,而且能够比较准确地识别轴承的故障模式.     

基于小波分析的铺网机传动辊轴承故障诊断

铺网机传动辊轴承振动信号调制源多呈现出非平稳性等特点，导致常规的傅立叶分析诊断故障效果不佳的情况。本文提出了一种应用小波变换的时频分析方法，对振动信号进行分解和重构处理，获得了振动信号在不同的频段的分量，提取相应特征频段重构分量的功率谱的频域统计值作为特征参数，进行轴承故障诊断。试验结果显示该方法对铺网机传动辊轴承故障诊断有很好的效果。     

基于小波分析的折叠成网机传动辊轴承故障诊断

针对折叠成网机传动辊轴承振动信号调制源多和呈现非平稳性等特点而导致常规的傅立叶分析诊断故障效果不佳的情况,提出了一种小波变换的时频分析方法,对轴承振动信号进行分解和重构处理,获得振动信号在不同的频段的分量,提取相应特征频段重构分量的功率谱的频域统计值作为特征参数,进行轴承故障诊断。试验结果显示该方法有较好的诊断效果。     

运用模糊神经网络诊断锭子轴承故障

提出了一种模糊神经网络的锭子轴承故障诊断方法。以锭子轴承振动信号中相应频率的振幅为特征参数,诊断锭子轴承常见的几种故障。采用混合算法对网络进行训练,发挥模糊神经网络强大的自学习能力和知识表达能力的优点。试验结果显示能够提高故障诊断的精度和效率。     

基于EMD平均能量法的滚动轴承故障诊断

文中提出了一种用于滚动轴承故障诊断的系统一基于EMD和BP神经网络相结合的诊断系统。该方法首先对原始振动信号进行小波包预处理,提高信噪比,从而得到更适合研究的故障振动信号。然后再对信号进行EMD,分解得到IMF分量,对几个感兴趣的IMF进行分析,获得每个IMF分量的平均能量,作为BP神经网络的输入向量,由此训练神经网络,实现了对滚动轴承故障的智能诊断,并用实际的滚动轴承故障数据进行了验证。图6表2参12     

中高速卫生纸机烘缸轴承的振动特征分析

研究和发展新的中高速卫生纸机烘缸轴承故障诊断技术是造纸装备行业研究的一项重要课题。本课题在中高速卫生纸机烘缸轴承振动机理的基础上,结合烘缸轴承的自身结构和失效形式,研究了烘缸轴承内、外圈滚道和滚动体表面存在缺陷时的时域及频域特征,并给出固有振动频率及各种故障的振动特征频率方程。利用自主开发的故障诊断系统对实际测试数据进行快速傅里叶变换红外光谱分析发现,通过对中高速卫生纸机烘缸操作侧轴承进行状态监测,可以提取中高速卫生纸机烘缸轴承的振动特征,用于对烘缸轴承是否存在故障的在线判断。     

基于快速自适应经验模态分解的高速经编机振动分析

针对某型高速经编机在高转速下结构振动过大以及机构运动信号与结构振动信号相混叠,故障特征难以分离的问题,提出基于快速自适应经验模态分解(FAEMD)算法的经编机振动故障诊断方法。首先运用FAEMD算法将原始振动信号分解成有限个本征模态函数(IMF),然后计算各IMF分量与原信号的相关性,结合经编机运动特点,判断其中相关性最大的本征模态函数为机构运动分量并去除,最后将剩余分量重组实现结构振动信号的提取。将该方法应用于经编机振动故障诊断中,对动态振动数据进行处理,结合静态固有频率测试,成功提取出与实际故障现象相同的信号频率特征,判断出经编机在高转速下振动过大的原因,为后续经编机振动优化提供了参考。     

振动监测与现代造纸机械故障诊断技术的发展

利用振动信号对机械设备进行状态监测和故障诊断方面的研究不断深入,其应用价值愈显重要,并迅速得到推广。文章就振动监测的起源、振动监测技术及其在机械故障诊断中应用的各个主要发展阶段进行了回顾、归纳和总结;在此基础上,阐述了振动监测与机械故障诊断技术在现代造纸机械中的应用及其研究概况,提出了造纸机械振动监测与故障诊断技术的发展趋势及研究方向。     

高精度数控立式磨床磨头改进及精度修复

为解决国产数控立式磨床在加工大锥度内孔零件时磨头有发热且振动现象,通过对磨头进行拆检并组织专业人员进行分析和研究,改进了磨头轴承内圈锁紧及拉紧结构,选用角接触球轴承。改进结果表明:选用角接触球轴承大大增加了轴承的轴向承载力,加固磨头后端弹簧拉紧力排除了磨头轴向串动,调整可调夹圈的配比消除了轴承轴向间隙,延长了轴承的使用寿命,这种改进方案满足了实际加工过程中高效率、高精度的要求。     

基于邻域相关性小波去噪的滚动轴承包络解调及故障分类

将邻域相关性的冗余第二代小波应用于滚动轴承信号降噪,用Hilbert包络解调法提取的故障特征频率,比较不同转速和载荷下的提取效果,提出包络幅值峭度指标,并将其输入BP神经网络进行故障诊断。结果表明:基于邻域相关性的冗余第二代小波降噪方法能很好的抑制噪声,保留原信号的信息;降噪后的故障信号经过Hilbert包络解调能找到特征频率及其倍频,其效果优于原始信号的包络解调分析。工况会影响分析效果,且速度对提取效果的影响大于载荷。包络幅值峭度指标能很好区分不同工况的故障信号,结合BP人工神经网络诊断正确率为100%。     

现代纸机压榨部振动及减振方法的研究

研究造纸机械振动的最理想目标是能采用有效方法对其进行控制。压榨部作为造纸机关键部件之一,对其减振显得尤为重要。文章针对当前国内外高速纸机普遍仅停留于振动监测、故障诊断及采用预知维修方案阶段的现状,在了解压榨部结构特征的基础上,分析其产生振动的原因,提出了相应的减振方法,如降低激励力力幅、隔振、阻振、调谐等被动减振方法和主动减振方法,并从振动理论的角度加以分析。理论研究表明,被动减振方法简单、易行;主动减振方法具有较好的减振效果,且较被动减振方法具有更强的适用性。     

倒频谱在造纸机压榨轴承故障诊断中的应用

探讨了倒频谱技术在造纸机压榨部滚动轴承故障诊断中的应用.研究表明,倒频谱技术在识别滚动轴承振动频谱的边频、消除系统传递函数影响等方面具有显著的优越性.针对压榨部滚动轴承振动信号的特征,利用倒频谱技术可简化谱图的特征分析,提高压榨部滚动轴承在线故障诊断的准确性.