滚动轴承可靠性与寿命计算方法的探讨

从分析轴承的可靠性与寿命之间的关系出发,提出了寿命计算的新建议;在可靠度Ｒ〉０．９昌,采用寿命服从三参数Ｗｅｉｂｕｌｌ分布计算方法,     

基于小波包联合AR功率谱理论的滚动轴承故障诊断

提出了小波包联合自回归功率谱理论的故障诊断方法．对采集的轴承振动信号采用高、低正交共轭镜面滤波器组，将信号划分到不同频道上．滤波器每作用一次，数据点减半，采样的时间增至两倍．选取轴承缺陷所在频段的数据插零，将其他频带补零重构提高缺陷信号的时频分辨率；然后通过AR功率谱分析轴承运行状态，诊断出轴承对应的故障．对207滚动轴承的早期缺陷作了实际诊断，诊断结果与实际较为符合．证明该方法是一种有效的弱信号缺陷提取与诊断方法．     

浅谈铁路客车热轴故障及改造措施

探讨了铁路客车滚动轴承热轴的原因并提出了检查处理的方法及改造措施。     

基于Chebyshev多项式最佳一致逼近的偏正交分解特征提取方法及应用

利用Chebyshev插值法,建立非平稳信号的最佳一致逼近函数,通过对该函数进行偏正交分解获取对应的特征值及特征向量,该方法运用在滚动轴承故障特征提取应用中,取得了良好的效果。     

CNN-LSTM深度神经网络在滚动轴承故障诊断中的应用

针对大数据下的滚动轴承振动信号自适应故障特征提取与智能诊断问题,提出了一种结合卷积神经网络(CNN)与长短时记忆网络(LSTM)的故障诊断模型。首先通过网格搜索算法寻找到当前模型的最优初始参数;然后以原始一维振动信号作为模型的输入,利用网络CNN层自适应提取短时特征信并降维后作为LSTM层输入;接着利用LSTM层学习特征信息并训练神经网络模型;最后,网络输出层利用Softmax函数实现多故障模式识别,完成故障诊断。使用Spectra Quest机械故障综合模拟试验台实测数据集对模型进行验证,试验结果表明,与多层感知器、LSTM网络以及经典的LeNet5、AlexNet、VGG相比,所提出的CNN-LSTM模型的分类平均准确率可达99%以上,且模型结构比其他模型更简单,训练时间更短;同时,通过K折叠交叉验证算法对模型进行评价,结果表明CNN-LSTM模型计算误差较小且网络训练充分,未出现过拟合或欠拟合情况。     

滚动轴承可靠性计算与分析

本文较系统地论述了滚动轴承的可靠性计算方法。从滚动轴承寿命服从三参数威布尔分布出发,以滚动轴承寿命主要参数额定寿命L建立起评定轴承可靠性的主要计算指标表达式。根据滚动轴承寿命试验数据,对滚动轴承的可靠性和可靠性系数α_1的取值及参数β进行了分析探讨。     

基于FrFT滤波和LMS降噪的变转速滚动轴承故障诊断

变速工况下的机械故障诊断逐渐成为旋转机械监控领域的一个热门课题,在变转速下故障更容易发生且伴随更大的噪声,而相应的降噪问题目前却没有可靠的解决方法。因此提出一种基于分数阶傅里叶变换（FrFT）滤波和最小均方算法（LMS）降噪的故障诊断方法,对变转速工况下轴承振动信号进行降噪,进而提取非平稳故障特征。首先,同时获得滚动轴承振动加速度信号和转速信号;然后对Hilbert解调后的振动信号进行峰值搜索FrFT,按照搜索得到的最佳阶次和分数阶域聚集位置进行FrFT滤波;再将FrFT滤波得到的信号作为参考信号,原包络信号作为输入信号,进行LMS自适应降噪;最后对降噪后的信号按照转速重采样进行阶次分析,将包络阶次谱中的突出特征与故障特征阶次对比,判断故障。该方法可成功应用于变转速工况下滚动轴承的试验数据处理,证明了方法的有效性。     

基于EEMD-Renyi熵和PCA-PNN的滚动轴承故障诊断

针对滚动轴承故障特征提取与状态监测问题,提出一种基于集合经验模式分解(EEMD)、Renyi熵、主元分析(PCA)和概率神经网络(PNN)的新方法.首先,将轴承振动信号通过EEMD分解成一组本征模态函数(IMF),计算每个IMF分量的Renyi熵值作为表征故障特征的向量,采用主元分析(PCA)对特征降维,提取主元输入概...     

基于机器学习算法的滚动轴承在线故障诊断

针对传统故障诊断方法耗时长、人工成本高且工作效率低以及现代故障诊断过于复杂的问题,提出了一种直接对振动信号进行关键特征筛选提取的方法,并结合经典的C4.5算法、Cart算法、BP算法和SVM算法对滚动轴承进行在线的故障诊断.研究结果表明,基于C4.5算法、Cart算法、BP算法和SVM算法模型的诊断方法均可对滚动轴承在...