基于LabVIEW 的磨球机振动信号分析系统

轴承球的精度在轴承中起着至关重要的作用,为了得到高精度的轴承球,需要实时监测磨球机的加工状态,而振动信号是反映轴承球研磨状态的重要参数。文中介绍基于LabVIEW平台磨球机振动信号采集、分析处理系统。该数据采集分析系统是由LabVIEW,加速度传感器和数据采集卡组成,该系统能够采集并分析磨球机研磨轴承球时产生的振动信号,从而实现对轴承球的加工精度的实时监测。     

轴承球研磨运动特性及其影响因素分析

轴承球研磨过程中,球坯的运动状态对研磨效率和加工质量有重要的影响。其中,打滑现象直接破坏球坯的正常成球运动,造成线状烧伤。本文通过数值解析的方法对研磨过程中球体的运动特性进行研究,建立球体研磨的动力学模型,分析球体研磨过程中的运动状态转变的临界情况,并阐述了无打滑研磨时研磨压力和研磨盘转速的取值范围。采用MATLAB对分析结果进行仿真,探讨影响球坯运动状态的工艺参数。研究表明：球坯的运动状态与研磨压力、研磨盘转速、摩擦系数、球坯大小和沟槽夹角有关。     

旋转设备在线健康监控指数研究

利用小波包分解方法对在线监控中收集到的齿轮箱振动信号进行频域划分,并在其划分后的频段上有选择地进行了信号重构。在其基础上提出齿轮在线健康监控指数,可以用来反映齿轮箱整个寿命期间的健康状态。同时,为了实现对齿轮早期故障的预警,提出了一个用来在线检测的动态阈值。通过3套不同的齿轮箱全寿命振动信号数据进行了健康指数和早期预警的验证。实验结果证明,该健康监控指数及其动态阈值可以准确地检测出齿轮早期故障发生的时刻。     

基于EMD分解和共振解调的滚动轴承故障诊断研究

在介绍滚动轴承的故障机理的前提下,采用振动信号分析法对滚动轴承状态监测和故障诊断进行研究。通过LabVIEW编程,应用EMD分解和共振解调相结合的方法,对振动信号进行分析,获取有用故障特征,进而确定故障类型。     

振动研磨机颗粒系统的仿真试验

为了探寻偏心振动磨的最佳工艺参数，达到减小乏能区、提高研磨效率的目的，以单筒偏心振动磨为研究对象，建立偏心 振动磨内部介质运动数学模型。借助于离散元素法颗粒系统分析软件EDEM，模拟不同振幅、频率组合下研磨介质与物料的运动状态。理论与试验研究结果表明 ：系统在简谐激振力作用下，筒体以高频率连续振动，介质在磨腔内形成明确的动态回转质心，且随激振频率和振幅不同有所变化；研磨介质和物料混合过程中 ，振幅增大混合速度增加，但振幅过大时部分物料被甩到磨腔边缘，混合均匀度反而降低；当激振频率为16 Hz，振幅为10 mm时，介质运动范围较大，乏能区明 显减小，物料与研磨介质间接触力增加，研磨效率大大提高。因此，可以通过控制激振频率和振幅等参数来获得更有利的研磨效果，提高研磨效率。     

干法室温振动制备超微颗粒的理论与应用

采用振动研磨的方法制备超微颗粒的理论研究表明,外力所作的功克服了材料的内聚力使材料发生局部变形,当局部应力超过临界剪切应力时产生断裂口,裂口的形成释放了物料内部的变形能,促使裂纹继续扩展形成新的表面,碰撞过程中振动能量转化为新生颗粒的表面能、热能和化学能.扫描电子显微镜和透射电子显微镜图像显示,研磨过程中固体颗粒于结构薄弱处发生塑性变形直至颗粒破碎,随着研磨时间的增加,颗粒不断细化,粒度分布趋于均匀.X射线衍射分析可见,样品的晶体结构和化学成分均未改变,颗粒细化过程中没有新物相产生.     

基于 ＭＣＫＤ的振动信号压缩感知方法

齿轮箱在状态监测和故障诊断过程中,依据传统的奈奎斯特采样定律采集到的振动信号数据量过大,且传输速度过慢。针对这些问题提出了基于最大相关峭度解卷积（ＭＣＫＤ）的振动信号压缩感知（ＣＳ）方法。首先对原始信号进行 ＭＣＫＤ 降噪处理,获得比原始信号更为稀疏的信号;然后利用高斯随机矩阵作为信号压缩测量中的感知矩阵,通过离散余弦变换（ＤＣＴ）生成完备字典;最后结合 Ｌ１ 范数重构算法对原始信号进行重构。实验结果表明,在相同压缩率下,与传统的压缩感知方法相比,本文所提的方法能有效地提高重构信号的相似度。     

嵌入式智能滑动轴承研究

针对目前的滑动轴承状态监测系统传感器在现场安装位置受限,离信号源头较远,不容易获得可靠的状态信息, 文章提出一种新型的智能轴承结构,在滑动轴承上嵌入温度、转速、振动等传感器,并在DSP上实时处理轴承的工作状 态信息。嵌入式的智能传感器安装在轴承外圈,更接近于信号的源头,因此智能轴承的传感器能获得比滑动轴承更准确 的状态信息,因DSP信号处理部件与传感器紧密配合,在实时处理信号方面更有优势。经实验验证,智能轴承比传统的 轴承状态检测系统更能有效地提取状态信息和故障诊断信息。     

基于共振解调的铁路货车轴承故障诊断

以铁路货车轴箱双列圆锥滚子轴承为研究对象,基于共振解调技术研究了早期故障精密诊断方法。首先在轮对跑合实验台上,采用压电加速度传感器、信号调理器和INV36DF型信号采集处理仪等搭建轴承故障测试系统,测量该类型轴承外圈和滚子存在轻微故障时的振动信号,然后通过带通滤波、包络解调和频谱分析等方法,准确提取出了轴承外圈和滚子的故障特征频率。研究结果表明,利用这种方法可以消除系统噪声干扰,能有效诊断出轴承外圈和滚子的轻微损伤。该方法对于铁路货车轴承的早期故障诊断具有较好的理论意义和实际应用价值。     

振动切削机理研究及应用

切削过程中的振动对工件的加工质量、刀具耐用度有较大的影响,对精密切削加工尤为突出.振动切削作为一门新技术,可弥补普通切削的某些不足.利用另外设置的振动源,将高频且有规律的振动作用到金属切削加工的工艺系统上,使该系统处于相对不振的状态,从而可以提高工件的加工精度,改善已加工表面质量,实现精密切削.     

基于小波包 核偏最小二乘的滚动轴承故障检测法

为了解决滚动轴承故障检测中出现的振动信号非线性问题，课题团队提出了一种基于小波包 核偏最小二乘（wavelet packet and kernel partial least squares method，WP KPLS）的故障检测方法。首先对采集到的信号进行小波包分解，将振动信号分解到独立的频段，提取不同频段的能量谱，并构建反映频谱状态改变的能量谱特征向量；再对得到的能量谱特征向量进行核偏最小二乘分析，建立故障检测模型，利用T2及SPE统计量来检测故障是否发生。实验结果表明：该方法能够较为准确地检测到轴承的内外圈故障，证明该模型是有效的。该方法综合了小波包对信号的分析优势和核偏最小二乘法在非线性情况下的数据处理优点，为解决故障检测中的非线性数据处理问题提供了一种新方法。     

基于自适应模糊神经网络的砂轮磨损评估

为实现砂轮磨损状态的实时监测评估，课题组提出了使用自适应模糊神经网络模型对砂轮状态进行监测。通过对磨削过程的振动信号及声发射信号特征值的提取，获得了不同磨损程度砂轮的多特征信号样本；采用多特征信号样本对自适应模糊神经网络进行学习与训练，建立了砂轮磨损状态识别模型；实现了对砂轮磨损状态的准确识别与在线监测。实验表明：基于自适应模糊神经网络的砂轮磨损程度评估系统，测试样本的实际磨损程度和网络判别结果类别相符。该自适应模糊神经网络系统能够对砂轮磨损程度类型准确进行在线评估。     

基于小波分析的故障诊断

对信号进行特征提取，是故障诊断的关键。突变信号往往对应着某类故障，如果能对突变信号进行有效识别，就能达到故障诊断的目的。对如何从混有噪声的振动信号中有效识别出突变信号，本文进行了一系列方法研究。     

神经网络的滚动轴承故障诊断

文章通过旋转机械故障实验平台,采集旋转机械故障实验台轴承的3种工作状态分别是轴承正常、轴承内圈裂缝、轴承外圈裂缝的振动加速度信号.对信号进行零均值化处理后,选择频率成分幅值较大的频率进行信号重组,提取其时域量纲特征值,利用神经网络进行故障类型的识别；通过实验,取得了很好的诊断结果.     

基于CEEMDAN-SVM的高铁轴承故障诊断研究

高铁轴承在高铁运行中起着重要作用,对其进行状态检测和故障诊断有着十分重要的作用和意义。总结出一种基于自适应辅助噪声的完备集合经验模态分解(CEEMDAN)和样本熵(SampEn)相结合的高铁轴承故障诊断方法。振动信号经过分解获得诸多的本征模态分量(IMF),计算其样本熵特征参数来表征不同故障状态下的轴承信号的相关特征,并构造相应的训练和测试样本数据,而后将样本数据录入支持向量机(SVM)并配合灰狼优化算法(GWO)进行训练和测试,完成轴承故障的分类和识别。实验结果表明,此方法能够有效区分不同故障状态下的轴承振动信号。     

换热管弹性结构振动传递函数的建立

为了解决换热管振动的建模问题,提出了一种基于有限元分析的弹性振动传递函数建模方法。首先建立能准确 反映换热管动力学特性的有限元模型,然后根据输入参数和辨识算法类型的不同,分别从时域和频域进行传递函数建 模,其中时域辨识建模以PRBS信号的瞬态响应结果为辨识数据进行时域参数辨识,频域辨识建模以换热管的频响函数 为辨识数据进行频域参数辨识。将有限元分析结果与时域和频域内传递函数计算结果进行对比,发现误差较小。该方 法具有可行性和有效性。     

基于刚-柔耦合模型的高速机车齿轮传动系统断齿故障仿真分析

用三维建模软件SOLIDWORKS对DF4B型机车走行部传动系统进行建模,并利用有限元软件ANSYS对故障齿轮进行柔性建模,再将三维模型导入动力学仿真软件ADAMS中,建立刚-柔耦合模型并进行仿真,最后分析了不同测点处的振动仿真结果。结果表明:通过对不同故障齿轮的振动信号进行频谱分析可准确的判断出故障的发生频率及故障的严重程度。通过对同一故障的不同测点进行分析可知振动信号的传递性,从而为状态监测中传感器的布置提供了理论依据。 更多还原     

基于Dropout CNN的滚动轴承故障诊断研究

针对滚动轴承故障特征很难提取及传统故障诊断方法准确率偏低的问题,提出一种基于Dropout的改进卷积神经网络(Dropout CNN)结构,可以无需预先提取滚动轴承振动信号的故障特征,直接端到端的实现滚动轴承故障诊断。该方法以振动信号为监测信号,使用傅里叶变换生成振动 信号频谱图,以此作为整个系统的输入,利用卷积神经网络强大的特征提取能力可以自动完成故障特征提取以及故障识别。试验结果表明该方法平均诊断准确率 高达99.5%。该方法实现了大量样本下滚动轴承不同故障类型的故障特征自适应提取与故障状态的准确识别。     

基于EMD的非线性信号自适应分析

根据EMD分解原理,提出通过选择平均包络中的突变点确定自适应滤波器截止分量阶,以此构造时空滤波器组进行非线性信号自适应分析的方法,成功应用于分析波音737飞机涡轮轴振动信号。从噪声中自适应地提取随转速变化的信号分量和低频振动分量,与小波分析方法相比,在轴向位移检测中取得了更为满意的效果。该方法不仅改进了涡轮轴振动信号分析方法,也适用于解决其他非线性信号的分析问题。     

基于混沌振子的滚动轴承复合故障诊断

针对强噪声背景下的信号难于检测的问题,结合滚动轴承振动信号的非平稳以及非线性特点,提出了一种用Duffing阵子结合欧氏距离检测滚动轴承复合故障诊断的方法。该方法采用欧氏距离确定混沌振子由混沌状态向大尺度周期状态转换的临界阈值,利用欧氏距离的跃变自动识别混沌振子的状态。并仿真推导出了待测信号频率和混沌振子阈值之间的关系,很好地解决了由于实际故障频率的误差导致结果不准确的问题,该方法成功地应用在滚动轴承的早期模拟复合故障中,取得了较好的效果。