面向多源传感器的滚动轴承多层自助最大熵法故障状态诊断

为了提高多种因素对滚动轴承故障诊断效果的影响,提出了一种面向多源传感器信号融合的滚动轴承多层自助最大熵法故障诊断方法。通过量化分析径向与轴向载荷、转速、温度参数引起的振动状态变化,为判断轴承性能与疲劳寿命提供了可靠的依据。研究结果表明：振动样本获得了几乎相同的概率密度函数,判断轴承振动特征主要与径向载荷存在较大关联。轴承载荷和转速对轴承振动状态产生了相近的效果。振动状态与径向载荷、转速、轴向载荷、温度之间的作用指标依次为0.742 6,0.291 4,0.292 6,0.243 7,判断轴承载荷度振动状态产生了最重要影响。该研究对滚动轴承早期故障排查以及运行稳定性优化具有很好的实际指导价值,也可拓宽到其它的机械传动领域。     

滚动轴承振动性能序列动态预报研究

为了对轴承振动性能序列进行动态预报,将自助法与最小二乘法进行有效融合,提出了一种基于自助-最小二乘线性拟合的轴承振动性能序列动态预报模型。首先,采用自助法对紧邻的10个振动数据进行了模拟抽样,构造出了当前状态下多组振动侧面信息,将每组轴承振动信息利用自助-最小二乘法进行了线性拟合;然后,运用最大熵原理获得了拟合系数a和c的概率密度函数、真值及估计区间,进而得到了滚动轴承振动时间序列的真值拟合与区间拟合;通过不断更新紧邻的10个振动数据,实现了滚动轴承振动性能真值与区间的动态预报;最后,采用某轴承3个服役时间段的振动性能案例,对轴承振动性能序列动态预报模型的准确性进行了验证。研究结果表明：采用预报模型获得的预报值与实际值可保持良好的一致性,其最大预报误差仅为14.73%,同时预报区间差值小、精度高;该振动性能序列动态预报模型可较好地对应用于工程实际中的轴承进行健康监测及安全诊断。     

发动机转子-滚动轴承系统的振动性能研究

针对发动机转子 滚动轴承系统建立了有限元模型,将弹性轴段、刚性圆盘和弹性支承的动力方程集结后得到系统振动方程,分析计算了支承刚度对系统固有频率的影响。将转子不平衡惯性力和轴承支反力作为激励,求解了系统的稳定响应,得出了合理设计支承刚度和阻尼,可以改善转子系统的振动特性的结论。通过转子系统模拟实验,对该结论进行了验证。     

滚动轴承振动性能的混沌特性与不确定性之间的灰关系评估

鉴于滚动轴承振动性能的失效概率分布呈现多变性、非线性、不确定性等特征,提出分别用振动数据序列的Hurst指数和最大熵指标表征滚动轴承振动性能的混沌特性和不确定性。基于滚动轴承服役过程中的振动数据序列,在对数坐标系中运用最小二乘法拟合得到Hurst指数值,判断各个振动序列对应时间段内轴承运行性能状态的混沌特性。运用最大熵法求解各振动序列的最大熵值,进而对轴承振动性能的不确定性进行定量分析。运用灰关系分析法,计算均值归一化后的Hurst指数和最大熵序列之间的灰置信水平,分析轴承振动性能的混沌特性和不确定性之间的非线性相关程度。两个案例中Hurst指数与最大熵序列之间的灰置信水平分别为96.99%和82.1%,表明轴承振动性能的混沌特性和不确定性之间的关系非常紧密。     

滚动轴承振动与噪声关系的灰分析

以灰色系统理论为基础，通过实验研究6201和6203轴承振动与噪声的灰色关联性。振动用加速度值描述，噪声指声压级。实验数据处理结果表明，轴承振动与噪声的关系不明显并具有很大的不确定性，有时轴承振动与噪声之间会出现系统性误差。因此，不宜用轴承的振动代替轴承的噪声，应单独研究轴承的噪声问题，制订轴承噪声标准和相应的工艺标准。     

用灰自助泊松方法预测滚动轴承振动性能可靠性的变异过程

将灰自助原理融入泊松过程,提出灰自助泊松方法,以预测滚动轴承振动性能可靠性的变异过程。凭借时间序列的计数过程,在短时间区间内获取轴承振动表现出的变异强度的极少量原始信息;经过对变异强度原始信息的自助再抽样,模拟出变异强度的大量生成信息;用灰预测模型处理生成信息,获取变异强度估计值;用泊松过程表征可靠性函数,实时预测轴承振动性能可靠性的变异过程。轴承振动时间序列可靠性的试验研究表明,性能可靠性变异状态可以被真实描述,预测值与检验值具有很好的一致性。     

基于多传感器信息融合的滚动轴承故障诊断

为了提高滚动轴承故障诊断的准确性,引入了一种多传感器信息融合的诊断方法。将多传感器所采集的振动信号处理后,由粒子群神经网络进行故障局部诊断,以获得彼此独立的证据,再采用证据理论对各证据进行融合。试验结果表明,该方法可有效地提高诊断可信度,降低诊断的不确定性。     

变工况下滚动轴承静电多传感器融合监测方法研究

滚动轴承是轨道车辆中最关键的部件之一,其质量好坏直接影响轨道车辆的运行.针对滚动轴承的故障监测,基于多传感器信息融合技术,采用多个静电传感器对滚动轴承进行同时监测,通过时域算法和复杂度度量算法对特征参数进行提取,并提出MWLOF检测算法.根据滚动轴承静电综合监测平台在不同工况下对滚动轴承进行监测试验,结果表明:考虑工况...     

滚动轴承振动与噪声关系的实验研究

以实验为基础，研究6201—2RZ轴承振动与噪声的关系。借助数理统计理论，对实验数据进行了较全面的统计处理。数据处理结果表明，振动加速度有效值和噪声声压级的统计关系不明显；仅从低频、中频或高频的单个频段考虑，在各个频段里，速度有效值对噪声声压级的影响不具有统计相关性；若综合考虑三个频段，则速度有效值和噪声声压级具有一定的统计相关性，但由于所得到的回归方程的标准偏差比较大，因此用振动来描述和控制噪声的可靠性就比较差。为此，对于所研究的滚动轴承来说，不宜用振动代替噪声。     

基于信息融合的滚动轴承故障诊断

滚动轴承故障诊断中同一征兆域很难区分多种故障，单一传感器对故障分类识别有不确定性。提出了利用加速度传感器和声音传感器，基于BP神经网络及D-S证据理论，对所采集的振动信号和声音信号的多种特征信号进行信息融合，实现故障诊断。并对该方法进行仿真试验验证。     

基于多传感器信息融合的车辆高精度定位技术

为解决多轴应急救援车辆在复杂环境行驶时的定位误差问题,设计了一种基于多信息融合的组合定位系统,该定位系统主要由前端里程计和后端优化模型组成。首先完成三轴车运动学建模,推导出基于惯性测量单元的运动学预测方程和基于全球定位系统的运动学观测方程,通过Kalman滤波器进行状态更新,完成前端里程计的构建;然后设计了基于迭代最近点匹配算法的外参标定工具,并构建了特征点云匹配模型,完成后端模型优化;最后进行了仿真与实验,研究结果表明,该系统定位误差为±3.45 cm,角度误差为±0.10°,准确性、稳定性均得到了很大的提高。     

滚动轴承故障信息的特征级融合与决策级融合

在对滚动轴承原始故障信号完成特征提取与特征筛选的基础上,利用BP、RBF以及SVM三种网络模型对筛选完的特征量进行特征级融合[1];针对单一的网络模型的不确定性,通过隶属度熵值权重法确定了三种网络模型的不确定度[2],并引入D-S证据理论[3],对三种网络的计算结果进行决策级融合[4](以滚动轴承外圈故障为例),以提高对滚动轴承故障诊断精度。     

基于相空间的滚动轴承振动特征参数的乏信息分析

用混沌理论进行相空间重构,恢复轴承振动时间序列的原始动力学特征,然后在相空间里,用最大熵自助法并结合Bayes统计理论,建立轴承振动特征参数的动态Bayes后验概率密度函数,最后对特征参数进行点估计、区间估计及趋势估计等。试验研究表明,估计结果和试验结果在数值上很接近,满足工程要求。因此,用乏信息数学模型可以真实地评价轴承振动的统计特征。     

振动筛滚动轴承的振动特性研究

通过对振动筛滚动轴承振动产生的机理和原因分析,设计合理的载荷、振幅及振动频率等参数并选择合适的轴承类型及精度等级,合理确定轴承与相关零件的配合,提高轴承座的刚度及采用必要的预紧措施和良好的润滑,才能确保振动筛正常工作。     

SHU速度型滚动轴承振动综合测量仪

介绍了SHU速度型滚动轴承振动综合测量仪的硬件构成、软件设计及其主要功能,并分别对正常轴承和存在缺陷的故障轴承进行测试和分析,测量结果表明:该综合测量仪对正常轴承测得的数据比较稳定,对故障轴承的故障原因的判断准确。     

柔性滚动轴承的振动分析

从研究柔性滚动轴承的动力学模型入手，用Ｌａｇｒａｎｇｅ方程建立了柔性滚动轴承的运行方程，通过求解该运行方程的特征值问题，得出了柔性滚动轴承的各阶固有频率，并用算例表明了本文所提出的方法的有效性，为进一步研究谐波传动的整体动态性能奠定了基础．     

滚动轴承振动的非线性特征与性能保持可靠性分析

为了分析滚动轴承振动的非线性特征与性能保持可靠性之间的关系,以混沌理论为基础,提出关联维数保持性的新概念,用其刻画滚动轴承振动的非线性特征;同时,基于最大熵原理和泊松计数原理,建立振动性能保持可靠性模型,进而建立滚动轴承振动的非线性特征与振动性能保持可靠性匹配序列。实验结果表明,滚动轴承振动的非线性特征与振动性能保持可靠性关系密切,它们的变化趋势具有一致性,可以根据关联维数保持性的变化趋势来推断振动性能保持可靠性的变化趋势。所提方法为滚动轴承的可靠性预测提供了一个新的思路。     

基于模糊综合评判法的滚动轴承性能评价

为了全面评价滚动轴承的各项性能指标,建立了滚动轴承综合性能的评价指标体系,采用专家估值法确定了轴承各项性能指标的权重系数.以某种轴承为对象,给出了运用二级模糊综合评判法对其各项性能指标进行评价的结果,模糊综合评判法可为用户合理地选择轴承型号提供参考.     

拟合故障振动信号模型实现滚动轴承故障诊断

针对传统故障诊断流程的缺点,提出通过拟合故障振动信号模型实现滚动轴承故障诊断,并在风力发电机组齿轮箱故障诊断中验证了有效性和实用性。首先根据滚动轴承发生故障时振动信号的特点,提出故障振动信号模型,然后通过遗传算法对该模型做数据拟合,拟合数据来自EMD(Empirical Mode Decomposition)方法对原始振动信号分解所得IMF(Intrinsic Mode Function)分量,最后将拟合结果和轴承各部件的故障特征频率作对比,可知损伤点所在部位。通过仿真、实验和现场信号的分析,验证了可通过拟合故障振动信号模型实现故障部位的准确诊断。