铣削加工刀具磨损过程双谱分析

双谱分析能够揭示时间序列的二次相耦合信息,特别适于铣刀磨损状态监测信号的特征抽取。通过提取铣削加工过程中机床主轴端振动加速度信号的双谱及其双相干系数,分析了铣刀后刀面渐进磨损过程双谱及其双相干系数的变化规律。研究结果表明:双谱分析提取的特征参数能够反映铣刀后刀面的渐进磨损过程,与实际铣刀磨损情况一致。     

基于EEMD与SVM的滚动轴承故障诊断分析

针对滚动轴承故障振动信号的非平稳与非线性的特点,提出一种基于集合经验模态分解(EEMD)指标能量的滚动轴承故障诊断分析方法。首先利用集合经验模态分解对滚动轴承故障振动信号进行降噪处理,提取故障振动信号能量特征,在此基础上构建相应的故障特征向量;然后通过SVM对滚动轴承故障进行分类,从而实现了对滚动轴承不同故障的有效诊断。     

基于Alpha稳定分布的滚动轴承故障信号分析

提出了基于Alpha稳定分布的统计模型的滚动轴承故障信号分析方法,这种非高斯模型可以准确地描述具有脉冲特性的轴承故障信号。不同故障程度的轴承故障信号的特征指数α由Alpha稳定分布参数估计方法计算得到。实验结果表明,轴承故障信号属于Alpha稳定过程,各轴承故障信号的Alpha稳定密度分布在双对数坐标图中,适合经验概率密度分布以及它们的尾部都具有相同的重尾行为,表明这种统计模型对于不同故障程度的轴承信号都是有效的。     

收割机轴承故障检测——基于虚拟仪器和小波神经网络

滚动轴承是收割机轮系系统中的重要部件,也是易损原件,其损伤容易引起旋转机械故障,因此对轴承故障的检测非常重要。针对轴承运行过程中的振动信号机理和特征,在信号时域和频率特征分析的基础上,提出了小波神经网络模式识别算法,可以智能化地识别轴承故障,并减小故障诊断的误差,提高故障类型判断的准确性。结合虚拟仪器开发软件LabVIEW,实现了故障检测过程的可视化显示功能,使收割机轴承故障的监测更加高效,提高了故障检测的智能化水平。     

基于小波包能量法的滚动轴承故障诊断

阐述了故障轴承振动与信号的关系,小波包的原理以及BP神经网络的工作原理和实现过程,并以滚动轴承故障诊断为例,提取了小波包节点能量作为振动信号特征参数,并训练BP神经网络,对故障模式进行识别。结果表明,如果神经网络设计合理,训练适当,则具有很强的故障识别能力。说明利用小波包能量法和BP神经网络进行滚动轴承振动诊断是可行、有效的。     

基于小波变换的滚动轴承振动信号故障特征提取

滚动轴承是多数工程机械的关键零部件,在长时间工作后,其内、外圈常常出现各种程度的疲劳裂纹,影响机器的正常运行。为了提取由故障产生的非平稳信号冲击特征,本文基于小波变换,对原始信号进行多层次分解,通过限定阈值的方法,有效地从振动信号中剥离高强度背景噪声,强化故障特征表达,为轴承故障诊断提供更为有效的数据信号。     

变标度法的轴承故障诊断方法研究

滚动轴承的早期故障,其振动信号微弱,常规的故障诊断方法难以准确辨析。本文从分形原理出发,利用Hurst指数和变标度极差分析法,对轴承微弱故障产生的非平稳、非线性信号进行了定量的描述。研究表明,滚动轴承不同类型的故障,其动力学产生的机制不同,造成其分形维数、Hurst指数明显不同。因此利用Hurst指数以及变标度极差分析法可以准确地诊断和预测滚动轴承的早期故障。文章研究内容为滚动轴承的微弱故障的诊断与预测提供了新的研究思路。     

基于BP神经网络的滚动轴承振动故障诊断

滚动轴承振动信号被分析和处理后,提取出能够反映滚动轴承故障的特征参数,经归一化处理作为BP神经网络的输入,并用BP算法对该网络进行训练,利用神经网络的智能性来判断轴承的好坏。仿真结果表明,该方法实用有效。     

基于EEMD多尺度模糊熵与BP神经网络的滚动轴承故障表征诊断

针对滚动轴承故障振动时间序列非线性与非平稳性特征,提出一种基于多尺度模糊熵的滚动轴承故障诊断方法。首先通过集合经验模态分解对故障振动信号进行自适应分解;根据得到固有模态函数分量(IMF)求取相应的多尺度模糊熵;在此基础上以EEMD多尺度模糊熵作为故障特征输入到BP神经网络中进行学习和分类。实验结果表明该方法能够实现对轴承的内圈、外圈及滚动体三种故障类型的诊断,准确率达到了99. 5%。     

基于小波降噪和EMD分解方法的轴承故障诊断

为解决在复杂噪声和工频及其倍频干扰条件下滚动轴承故障诊断问题,进行了小波降噪和经验模态分解(EMD)研究。利用小波高分辨率的特性,将时变非平稳信号分解到独立的频段上,重构信号能够滤除噪声干扰,提取特定频段的信号。对滤波后的特征信号进行总体经验模态分解,得到若干固有模态函数(IMF),以峭度最大值准则,选取故障敏感的IMF分量进行包络分析,从而提取故障特征频率。与轴承故障频率理论值相比,误差极小,从而说明该方法对于提取含噪声的轴承故障特征的有效性。