冲击脉冲法在电中机轴承故障诊断的应用

在对电动机轴承状态监测与故障诊断的研究中,采用振动诊断技术,即冲击脉冲法编写了电动机故障诊断系统,该系统专门用于电动机轴承的故障诊断与监测,并通过检测冲击点处的冲击波幅值来判断轴承内滚动体与滚道间的碰撞程度,从而有效识别出轴承的工作状态与故障类型,特别适用于检测轴承早期损伤类故障,润滑状况以及油膜厚度等。     

滚动轴承故障诊断中的多参数综合判别方法

分析了轴承故障诊断中特征参量提取的不确定性，在综合考虑轴承发生故障时发生二次效应中的多个特征参量的基础上，首次提出了综合利用宫的隶属度函数和灰色系统理论中的关联度计算的一种多参数判别方法。     

基于虚拟仪器的货车滚动轴承故障分析与诊断系统

货车滚动轴承是货车的重要部件,关系着列车的运行速度和安全,所以轴承故障诊断对货车运行安全十分重要。设计一个货车滚动轴承故障诊断系统对轴承故障进行检测至关重要。文章介绍了货车滚动轴承的故障形式、振动机理,提出了基于LabVIEW软件技术开发货车滚动轴承的检测系统。     

智能化滚动轴承状态监测

轴承,是机械设备的一种关键零件,整个设备的运行状态和使用性能都直接受其运行状态的影响。而轴承故障诊断系统性能的好坏又取决于它在轴承早期运行中的故障检测能力。滚动轴承运行状态的正常与否直接影响到整台机器的性能,滚动轴承的状态监测和故障诊断就显得格外重要。本文就常见轴承故障类型,以及常见轴承故障检测方法进行分析总结。     

精密硅片磨床的故障诊断

当精密硅片磨床处于空载和模拟工作两种工况时，在磨床多进行位移、速度、加速度度的测试。根据故障诊断的相关函数分析方法，应用ＣＤＭＳ信号处理故障诊断与振动分析系统，从理和实验两个方面分析，推断出该设备工件台平观轴承为主要故障所在。     

高频谱峰群在轴承故障诊断中的意义

论证了轴承信号中高频消峰群的存在，指出了高频谱峰群中含有轴承元件疲劳剥落缺陷的重要信息，对轴承的故障诊断具有重要意义。     

声发射轴承故障诊断系统

美国NASA开发出一种声发射轴承故障诊断系统（AEBDS），这是一种基于计算机（PC）的高频轴承故障监测系统（HMS），其利用声发射（AE）传感技术及创新的高频信号处理技术．可早期监测旋转轴承故障情况。在可控的实验室环境下进行的一系列综合轴承试验表明。AEBDS系统能成功探测到初期的轴承老化损伤。这项由小企业创新研究计划资助的研究成果．成功地用于NASA马歇尔空间飞行中心（MSFC）的高速单轴涡轮泵。     

基于元学习的变工况轴承故障诊断研究

针对实际工况下电机轴承振动信号包含强噪声以及故障样本少导致其故障诊断精度低的问题，提出一种由数据重构(data reconstruction, DR)与判别空间优化(discriminant space optimization, DSO)相结合的集合型轴承故障诊断方法(DR-MLDSO),该方法包含数据重构和元学习两个阶段。首先，将不同负载下的原始一维数据进行重构，减少噪声，提取隐藏在原始数据中的有用信息；然后，构造特征提取器和判别空间优化器，对特征判别空间进行优化，提高其容错能力，以利于元学习。实验结果表明，本文提出的DR-MLDSO方法有效提高了模型在有限训练样本下的学习能力，增强了不同工况下轴承故障诊断的适应性，提升了故障诊断精度，具有较好的泛化能力。     

600MW励磁机轴承振动爬升的故障诊断和处理

介绍了借助汽轮发电机组进行振动监测和故障诊断的系统．对较为少见的600MW励磁机轴承振动爬升故障，在长期工作经验的基础上，逐一排查“专家系统”判断出的多种结论，成功地进行了分析诊断和处理，确保了设备的安全运行．     

基于关联维数的双跨转子轴承系统故障诊断

以双跨转子轴承系统为研究对象,针对其状态监测与故障诊断中存在的问题,利用虚拟仪器软件平台开发了一套基于关联维数的故障诊断系统。通过提取实验台振动信号并计算其关联维数实现对系统的故障诊断。结果表明,不同工作状态下系统的关联维数各不相同,正常运转时关联维数最小,发生故障时关联维数增加,且关联维数随着嵌入维数的增加成增长的趋势,并趋于稳定。该系统以关联维数作为特征兆量,能够快速准确地对双跨转子轴承系统进行状态监测与故障诊断,具有一定的应用价值。     

HHT方法在轴承故障诊断中的应用

为研究滚动轴承故障问题,将HHT（Hilbert-Huang transform）分析方法应用于轴承信号故障的提取。用HHT对复合信号进行了仿真分析,表明此方法分析信号的有效性。将HHT方法应用于轴承内外圈的故障诊断,结果表明,所求出的轴承故障的信息特征与理论计算吻合,表明了HHT方法能够有效的提取轴承故障的特征信息,提高轴承故障诊断率。这为类似机械零部件的故障诊断提供了参考。     

低速滚动轴承故障信号捕捉与分离研究

根据低速滚动轴承故障诊断难度较大的特点，提出了利用应力波与小波分析进行低速滚动轴承故障诊断的方法.以低速运转Cooper轴承系列01B65 EX滚子轴承为例，建立了故障轴承的三维整体接触计算模型，运用有限元软件对其进行了分析，计算出外圈故障的最大应力应变及各元件之间的接触应力，将发生故障前后的外圈外表面应力应变和接触应力分布规律进行比较.在应力波实验分析的基础上，选择db6母小波、尺度j=4对实验所采集的故障信号进行小波分解，提取了故障的应力波信号特征频率，对低速滚动轴承故障进行了正确诊断.结果表明，应力波和小波分析是低速机械故障诊断的有效方法.     

基于K-L变换和支持向量机的

提出了应用K-L变换和支持向量机相结合进行滚动轴承故障诊断的方法。K-L变换可以将高维相关变量压缩为低维独立的主特征向量，而支持向量机可以完成模式识别和非线性回归。利用上述原理根据轴承振动信号的变化特征，采用K-L变换对其提取状态主特征向量，然后利用建立的支持向量机多故障分类器完成滚动轴承故障模式的识别。试验结果表明，K-L变换分解后的主特征向量与支持向量机相结合可以有效地、准确地识别轴承的故障模式，为轴承故障诊断向智能化发展提供了新的途径。     

基于DSP的滚动轴承在线故障诊断系统

为了提高滚动轴承故障诊断的准确性,介绍了一种基于DSP和组态软件的滚动轴承在线故障诊断系统。该系统以DSP作为信号处理部分,以组态软件作为人机交互界面,通过采用轴承振动信号的时域特征参数法对滚动轴承故障进行判断。实践检验证明,该系统能准确地判断出滚动轴承故障,具有较好的应用前景。     

基于EMD和包络谱分析的轴承故障诊断研究

提出了一种基于经验模态分解(EMD)和包络谱分析的轴承故障诊断的新方法．EMD是把时间序列信号，分解成不同特征时间尺度的固有模态函数(IMF)，具有自适应的分析能力，然后通过选取表征轴承故障的IMF分量进行包络谱分析，就可提取轴承故障信号的特征．轴承故障实验信号的研究结果表明：该方法能有效地识别轴承故障．     

小波和余弦变换的电机轴承故障特征参数构造

针对传统故障诊断特征参数的应用缺陷,提出了一种小波和余弦变换的感应电机轴承故障特征参数提取方法.首先,根据感应电机轴承振动信号的特点选择合适的小波滤波器和信息代价函数,并将感应电机轴承振动信号分解到各个不同的频域子空间;然后,基于离散余弦变换的频域能量聚集性对分解后的信号构造感应电机轴承故障特征参数,并对实际感应电机轴承正常、内圈故障、外圈故障和滚珠故障4种状态的振动信号进行分析,验证了所构造的特征参数能有效地实现电机轴承的早期故障检测与诊断;最后,与传统故障诊断特征参数方法进行了比较,说明所提出的特征参数构造方法对于感应电机轴承早期故障的诊断优于传统故障诊断特征参数方法.     

Hilbert变换及其在机械故障诊断中的应用

阐述了Ｈｉｌｂｅｒｔ变换基本原理，分析了齿轮和轴承的故障特征。应用Ｈｉｌｂｅｒｔ变换的解调技术对齿轮故障信号进行了幅值、相位和频率解调。最后通过一诊断实例进一步说明了Ｈｉｌｂｅｒｔ变换在齿轮和轴承故障诊断中的应用。     

基于特征筛选和集成学习的轴承故障诊断

为了提高不同工况下的轴承故障诊断准确率,提出了一种基于特征筛选和集成学习的轴承故障诊断方法。考虑到特征向量复杂冗余的问题,结合特征有效性和最大均值差异提出了新的特征评分函数,并在此基础上进一步考虑特征关联度和特征维度,筛选出有利于变工况故障诊断的特征子集。针对单一机器学习模型故障诊断准确率不高的问题,将AdaBoost和Stacking算法相结合构造集成学习故障诊断模型。实验结果表明:筛选出的特征子集在相同分类器下拥有更高的故障诊断准确率;集成学习模型相较于单一模型有更高的故障诊断准确率和鲁棒性。     

基于FS-PCA-MSCD的地铁轴承可视化诊断方法

针对地铁轴承的可视化故障诊断能力,本文提出了基于特征选择(Feature Selection,FS)与多尺度类距离(Multi Scale Class Distance,MSCD)的轴承故障诊断方法.首先对地铁齿轮箱轴承振动信号进行采集,获得不同故障类型的轴承故障样本集;然后基于FS方法提取故障样本中存在的敏感特征值,并利用获得的特征向量进行主成分分析(Principal Component Analysis,PCA),基于MSCD方法对各故障聚类进行再分类,提高故障类的可分性,获得可视化程度高的故障诊断结果.利用该方法对地铁齿轮箱轴承故障数据进行可视化故障诊断,诊断结果表明该方法能够提取敏感故障特征并获得具有较高故障可分性与可视化的诊断结果.该方法为地铁轴承在线故障分析能力提供了技术支持,在地铁运行维护与故障诊断方面均具有广阔的应用前景.     

基于DTCWT-MAP去噪及Hilbert包络的滚动轴承故障诊断

针对轴承振动信号易受噪声影响造成故障特征难以提取的问题,提出一种基于双树复小波(Dual-Tree Complex Wavelet Transform, DTCWT)和最大后验估计(Maximum A Posteriori, MAP)的信号去噪及故障诊断方法。该方法首先对振动信号进行DTCWT分解,获得不同层次的小波系数,有效克服了传统小波分解频率混叠和畸变的缺陷。然后根据各层小波系数中的噪声强度构造MAP软阈值函数,对不同层次的小波系数进行阈值去噪。最后对去噪后的各层小波系数进行DTCWT反变换,将信号分解到不同频带,结合Hilbert包络实现轴承故障诊断。仿真信号去噪分析、轴承复合故障诊断实验及风机轴承微弱故障诊断应用结果表明,该方法能够有效去除噪声,提高信噪比,增强故障特征,提高轴承故障诊断的准确性和实效性。