小型滚动轴承疲劳寿命试验机

针对实际工况下小型滚动轴承疲劳寿命测试的需要,研制了一台模拟实际应用工况的小型滚动轴承疲劳寿命试验机。该试验机主要由驱动系统、加载系统及测控系统几部分组成,满足了客户针对不同特定使用工况下测定小型滚动轴承疲劳寿命的需要,具有较好的测试柔性和简便性,通过重复性试验,验证了研制的试验机具有较高的可靠性和稳定性,这一工作可以有效地评价各种小型滚动轴承在实际应用环境下的使用效能。     

基于MMFD-FCM的退化状态识别方法及其应用研究

为了有效地对机械设备运行状态进行监测,进而对其性能退化状态进行识别,提出一种基于形态多重分形维数(MMFD)与模糊C均值聚类(FCM)的性能退化状态识别方法;该方法首先计算机械设备振动信号的形态多重分形维数,以此作为性能退化特征指标;该特征指标能够有效反映峰值在振动信号中概率分布的不均匀程度,从而定量描述振动信号的性能退化状态,并且与多重形态分形维数相比,利用数学形态学计算的MMFD精度更高,计算速度更快;在此基础上,鉴于不同退化状态之间的模糊性,针对性地采用模糊C均值聚类方法对特征指标进行模糊聚类,从而有效识别性能退化状态;将该方法应用于滚动轴承全寿命周期振动信号中,分析结果验证了该方法的有效性。     

自适应变分模式提取的轴承故障诊断方法

变分模式提取(variational mode extraction, VME)能够从复杂信号中提取特定的模式分量,但其在轴承故障诊断中的应用潜力受到初始中心频率和平衡参数的影响。因此,为了克服VME在轴承故障诊断应用中超参数的设置问题,深入探究VME模型中心频率迭代更新过程,发现中心频率收敛趋势现象并通过理论证明其存在性,由此提出中心频率定位策略,可自适应地确定目标中心频率。为了最大化匹配故障信息,构造基于故障特征幅值比的平衡参数优化策略,能够优化目标分量的带宽。以上中心频率定位策略和平衡参数优化策略,构成自适应变分模式提取的故障诊断方法,该方法能够在无需预设初始中心频率及平衡参数的情况下自适应提取故障相关分量。仿真和两个试验案例分析结果验证所提方法在轴承故障诊断领域相比于连续变分模式分解、经验模式分解和快速谱峭度方法更具有效性和优越性。     

基于PSO-SEBD的风电机组滚动轴承故障诊断

滚动轴承作为风电机组传动系统的关键部件,其健康状态监测对整个机组的安全稳定运行至关重要。针对滚动轴承的故障诊断问题,在基于先验未知盲反卷积技术的包络谱重复瞬态循环平稳性提取方法(extracting cyclo-stationarity of repetitive transients from envelope spectrum based on prior-unknown blind deconvolution technique, SEBD)的基础上,提出了一种基于粒子群算法(particle swarm optimization, PSO)寻优的SEBD滚动轴承故障诊断方法,实现SEBD滤波器长度自适应选择。以最大故障特征频率比(characteristic frequency ratio, CFR)作为适应度函数,利用PSO算法对滤波器长度进行寻优;利用获得的最优滤波器长度进行SEBD处理;根据SEBD处理后信号的包络谱特征实现轴承故障的有效识别。通过对仿真信号和德国帕德博恩大学公开轴承故障数据进行分析,验证了PSO-SEBD的有效性。通过与几种常用的诊断方法对比以及噪声环境...     

滚动轴承复合故障的时频能量聚集谱诊断方法EI北大核心CSCD

共振解调技术是轴承故障诊断领域中广泛应用的有效方法,其中解调频带的选取至关重要。传统解调方法仅能识别特征明显的单一轴承故障,而面对旋转机械轴承复合故障的异样微弱特征提取以及不同故障所引发的多个最优解调频带问题时往往难以奏效。为此,提出时频能量聚集谱诊断方法。该方法引入多重同步压缩变换,构造能量聚集的时频图,以解决最优解调频带精确性问题,同时提出能量聚集谱相对因子指标,通过指标实现强弱多故障特征频带综合提取、同步且准确输出,为旋转机械复杂动态信号中微弱和复合轴承故障特征提取与识别提供有利依据。试验结果表明,该方法能成功提取出轴承复合故障特征。     

优化深度残差网络及其在强噪声环境下滚动轴承故障诊断中的应用

针对传统基于深度学习的故障诊断方法存在抗噪性能差、计算复杂度高和泛化性能不足的问题,提出了一种基于深度可分离残差网络（Depthwise Separable Residual Network,DS-ResNet）的滚动轴承故障诊断方法。采用快速傅里叶变换（Fast Fourier Transform,FFT）将滚动轴承一维振动转换到频域进行表示;利用深度可分离卷积（Depthwise Separable Convolution,DSC）计算复杂度低和逐点卷积（Pointwise Convolution,PWC）能增强网络非线性表达的优点,分别代替传统深度残差网络中的两个标准卷积层,构建出优化后的DS-ResNet模型。将各类故障状态下的频域信号作为DS-ResNet模型的输入进行识别分类,结果表明,在信噪比为-4 dB的强噪声环境中,识别准确率达到92.71%;在变转速工况下,平均识别准确率可达90.19%,高于其他常用深度学习诊断方法,且模型每轮的训练时间仅需2.16 s,证明了所提方法具有更好的抗噪性能、泛化性能和更高的诊断效率。     

变转速下对数平方包络谱在滚动轴承故障诊断中的应用

变转速工况下,转速变化会导致不同时间段峭度值出现变化,且高脉冲噪声会导致振动信号的峭度值突然变大。这些因素削弱了快速谱峭度图(Fast kurtogram,简称FK)方法提取微弱故障特征方面的性能,为了克服这些缺陷,提出一种基于对数平方包络谱的新特征--对数包络阶次循环分量(Log-envelope Order Cyclic Content,简称LEOC),构造出一种对数包络阶次循环分量图(Log-envelope Order Cycligram,简称LEOCgram)。首先使用1/3二叉树结构对原始信号进行多层次滤波,并计算每一组滤波子信号的平方包络。然后,通过计算阶次跟踪(Computed Order Tracking,简称COT)技术对每一组的平方包络序列进行角域重采样,计算每一组滤波信号的对数平方包络谱并进行自相关分析得到可能的故障特征阶。最后计算LEOC值,LEOC最大值对应的频带即为最优解调频带。将最优解调频带作为滤波器的参数对原始信号进行滤波,通过对滤波后的信号进行包络阶次分析并根据包络阶次谱的阶次结构可以确定故障类型。仿真信号和试验轴承外圈故障信号的分析结果表明,该方法...     

Finite Element Analysis of 6300 Deep Groove Ball Bearing

Rolling bearing is widely used in mechanical support, its general components are the inner ring, outer ring, the ball, retainer etc.. Now many companies in developed countries and university in the rolling bearing as the research object, and has made great progress in design theory, the experiment method and production technology etc. We will use the finite element ANSYS to establish the model of deep groove ball bearing. Through the contact analysis, we can get the contact stress between the rings and balls, strain, contact state, penetration, sliding distance and the friction stress distribution. These values are compared to the theoretical values with Hertz theory, and they have better consistency, provide the good theoretical basis for the optimization design of rolling bearings.     

基于超声信号的轴承润滑状态监测研究

介绍了一种基于超声信号的轴承润滑状态监测与故障识别的方法。通过对不同润滑状态下轴承发出的超声信号特征的提取和分析,研究基于超声信号轴承润滑状态监测与故障诊断的可行性。试验结果显示超声信号幅值直方图可以反映轴承的润滑状态;超声信号幅值与轴承故障程度呈线性关系;不同故障状态下超声信号的特征分析显示有效值和排序熵可以作为特征用于轴承故障的自动识别。     

轴承试验中心分布式监控管理系统

本文设计了轴承试验中心分布式监控管理系统，系统可对多台试验机进行在线监测，对被试验轴承做实时诊断，有故障时立即报警，并可将整个试验过程数据通过网络传送到上位机进行显示并存储到数据库中，供技术人员分析使用。该系统已在轴承生产企业得到了成功的应用。