基于经验模态分解和Duffing振子的轴承故障诊断

针对齿轮箱轴承振动信号故障信息容易被噪声淹没,且具有非线性、非平稳特性的问题,提出了基于经验模态分解（EMD）和Duffing振子的轴承故障诊断方法。首先对原始振动信号进行经验模态分解,找到包含轴承故障信息的固有模态函数（IMF）,然后利用Duffing振子的分岔图找到混沌振子相轨迹发生变化的内部激励力分界值,并将Duffing 振子的内部激励力频率设定为轴承故障特征频率,最后从混沌振子输出相轨迹的变化来检测齿轮箱轴承故障信息。实验结果表明,基于EMD和Duffing振子的故障诊断方法能够检测轴承故障信息。     

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LMD分解的风机轴承故障信号提取研究

为准确得到风机轴承故障的运行状态,分析局域均值分解方法,对风机故障振动信号提取,应用LMD分解方法对风机轴承实际振动信号进行分解,提取其能量特征值并将特征值进行归一化处理,得到各个分量的能量值,最后判断风机轴承的故障类型。     

基于振动信号分析的联合收割机故障检测系统研究

首先,介绍了振动信号分析原理及应用,并设计了联合收割机发动机振动信号采集与处理模块;然后,基于卷积神经网络,实现了联合收割机故障检测系统,并利用MatLab进行了发动机故障诊断仿真。实验结果表明:采用卷积神经网络的故障检测模型,可实现对联合收割机发动机转子、轴承和机匣的故障检测,且识别率在95%以上,证明了系统的可靠性和可行性。     

基于双谱特征量的滚动轴承损伤部位识别

针对故障滚动轴承振动信号的非线性、非高斯性特征,将双谱和双相干谱分析方法用于滚动轴承故障特征的提取,给出了正常及外圈、内圈、滚动体局部损伤4种不同状态下轴承振动信号的双谱及双相干谱图,基于双谱形成了故障特征向量,并利用灰色关联度法识别了故障轴承局部损伤的发生部位。试验分析表明,对于损伤元件不同的轴承故障,振动信号的能量分布不同,双谱特征图谱存在明显的差异,而且双谱比双相干谱更有利于故障特征的提取。     

汽油机曲轴轴承异响故障诊断研究

基于振动测试技术,对发动机曲轴轴承磨损故障进行诊断研究。在EQ6100型发动机上模拟曲轴轴承磨损,然后测取不同的转速、轴承间隙、测点、温度下的故障信号,并用时域、频域分析法进行了分析比较。通过分析,提取了曲轴轴承磨损故障的诊断特征参数并指出目前该故障诊断所存在的问题。     

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。     

基于最大Lyapunov指数Elman-决策树的故障预警方法

针对故障出现时系统的非线性行为及劣化趋势预测问题,基于混沌理论及非线性动力学,提出以最大Ly-apunov指数作为评价运行状态的指标,通过Elman-决策树对其进行预测及分类的故障预警方法.并以轴承数据为例对该方法进行了验证,对正常轴承、外环人工电火花加工出裂纹轴承、外环钻孔的轴承壳体振动信号时序数据进行处理,计算降噪...     

水泵轴承振动信号的时频分析

对磁电式速度传感器采集的水泵轴承振动信号分别进行了短时傅立叶变换，小波变换，小波包变换，其结果表明：小波包变换提高了中高频带的频率分辨率，克服了短时傅立叶变换和小波变换的缺点，小波包变换有利于提取轴承故障特征，它能准确地诊断水泵机组轴承的故障。     

基于经验模态分解的冲击脉冲法研究

提出基于经验模态分解的冲击脉冲法,带通滤波后,进一步采用经验模态分解方法自适应滤波提取故障轴承振动信号中的调制信息,最后应用Hilbert变换解析出故障频率。仿真信号和实验验证结果表明,与仅仅采用带通滤波器滤波比较,该方法更能突出故障频率成分,避免误诊断。     

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。     

基于ReliefF和DBN的齿轮箱故障模式识别方法研究

考虑到齿轮箱中齿轮和轴承等零部件振动信号故障特征难以提取,故障模式无法准确识别的问题,提出了一种将齿轮箱振动信号特征利用Relief F算法进行降维,然后利用深度置信网络进行模式识别的分类方法。首先采用变分模态分解算法对齿轮箱振动信号进行预处理,将信号分解成多个包含故障特征的IMF分量;计算每个IMF分量的时域及能量熵特征,运用Relief F算法选取其中的敏感特征以降低原始特征维度;将敏感特征向量输入到深度置信网络中,实现故障类型的模式识别。实验结果表明,使用降维后的特征向量比使用降维前的特征向量,识别准确率更高。     

基于EMD和Multi-fractal spectrum的BP水机故障诊断

为了准确判断水轮机组的故障,提高水轮机组诊断的精确性,建立了EMD-Multi-fractal spectrum和改进BP神经网络相结合的机组振动故障诊断模型.选取水轮发电机组不同工况下的轴系正常、轴承油膜涡动、转子部件不平衡、转子不对中等状态,采集各状态下的振动信号.经过经验模态分解得到振动信号波各种故障信号的EMD分量,根据信号波形趋势图由EMD系数提取出波形样本,再由多重分形谱算法提取波形样本的特征值alpha(q), f(q),将该特征向量作为BP神经网络的输入进行分类识别.将训练好的神经网络应用于全部样本,得到测试正确率为100%.该模型用波形提取信号特征代替了传统的频谱特性,并结合先进的多重分形谱进行诊断识别,为水轮发电机组故障诊断提供了一种新的思路.应用信号采集于水电厂运行的水轮机,根据诊断的结果对轴系各个部件进行局部校正,通过检测发现振动和摆度都大大减弱.该方法提高了检测精度,增强了人机交互性,具有重要的理论意义和实用价值.     

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。     

变速箱故障模糊诊断的研究

变速箱是机械设备的重要组成部分.由于机械设备的特殊运行条件和运行环境使得变速箱中齿轮副、轴、轴承等常发生故障.因而随着科学技术的发展,对变速箱实施故障诊断,显得尤为重要.而故障诊断的前提是对于故障特征信号的提取.近年来,模糊故障诊断技术在故障诊断和特征提取方面的应用也越来越多.为此,利用故障模糊诊断技术,通过对齿轮在运转时产生的振动信号进行特性分析,诊断齿轮系统的故障.     

KSY输油泵振动故障的分析和解决

针对河间输油站4#输油泵振动超标的故障,对输油泵的结构和振动的原因进行了分析,发现是由润滑不足导致轴承过度磨损所造成。对轴承进行了更换,并对甩油环进行了改进,使问题得到解决,为输油泵振动故障的处理提供了经验。     

基于阶次跟踪和HHT能量谱的轴承故障诊断

提出了一种研究旋转机械瞬态信号的分析方法。对齿轮箱传动加速时测得的原始振动信号进行角域重采样,然后对角域里的信号进行EMD分解得到多个IMF分量,最后对包含故障信息的IMF分量进行了能量谱分析。结果显示：阶次跟踪技术能够有效地避免传统频谱方法所无法解决的“频率模糊”现象,EMD方法能够将稳态信号分解为多个IMF分量,能量谱能够对轴承故障进行有效诊断。     

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。     

不解体诊断发动机连杆轴承故障的试验研究

不解体诊断发动机连杆轴承故障的试验研究姚喜贵葛运双王文彬（佳木斯大学工学院）（东方市政集团）（齐齐哈尔市公共汽车公司常规诊断和检查发动机内部机体工作状态的方法是拆卸发动机进行直接观察和测量,这种方法费工费时。而利用发动机工作时的振动和噪声信号进行故障...