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。     

基于随机共振的齿轮箱早期故障诊断研究

随机共振在微弱故障诊断中相对线性系统具有明显优势,能显著增强信号的信噪比。将随机共振与共振解调相结合来检测齿轮箱的早期裂纹故障,首先通过带通滤波选取共振频带,然后通过Hilbert进行解调,最后采用归一化方法调节随机共振的系统参数得到故障特征输出。对仿真信号和QPZZ Ⅱ齿轮故障系统实测数据的处理结果表明,该方法与传统共振解调相比具有明显优势,为齿轮箱故障诊断提供了一种更为有效的途径。     

基于共振解调模拟电路的滚动轴承早期故障检测性能研究

共振解调模拟电路是滚动轴承故障诊断中最常用的技术之一,但是其故障检测性能的定量评价研究尚未见报导。因此,分别以正弦调制和脉冲调制所构造的故障轴承振动加速度信号为电路输入,定量分析了共振解调电路在不同信噪比条件下的故障检测性能,并研究了电路中的关键设计参数——[WTBX]带通滤波器品质因数Q[WT]的调制规律,为共振解调模拟电路在轴承早期故障检测的实际工程应用提供了可靠的科学依据。     

EEMD降噪和谱峭度法在铁路货车轴承故障诊断中的应用

针对铁路货车轴承结构复杂,早期微弱故障往往淹没于强烈的背景噪声中而难于提取的特性,提出了基于EEMD降噪和谱峭度法的共振解调技术。首先,将轮对跑合实验台上测得的振动信号进行EEMD分解;然后,根据峭度、标准相关系数选取包含故障信息较多且与原信号相关性较大的IMF分量,分别对每个IMF分量进行谱峭度分析,确定带通滤波器的最佳中心频率和带宽;最后,将滤波后的IMF分量重构并进行包络解调和频谱分析。通过对轴承内、外圈故障的实验研究,验证了该方法的有效性和可行性。该方法在铁路货车轴承早期故障诊断中具有较好的实际应用价值。     

铁路货车轴承内圈故障动力学仿真分析

以我国铁路货运列车的主力轴承——197726型轴承为研究对象,开展故障轴承动力学建模和仿真分析,探索轴承动力学响应特性随故障尺寸的变化规律。综合考虑轴承内部结构、约束关系、摩擦润滑和载荷条件,建立了轴承内圈存在滚道损伤故障时的刚-柔耦合动力学模型,并通过轮对跑合实验及包络谱分析验证了模型的有效性。最后,通过一系列动力学仿真分析,研究了轴承动力学响应特性。研究结果表明,随着内圈故障尺寸的增大,保持架晃动增强,对轴承正常运行起到阻碍作用;当故障尺寸增加到一定程度时,内圈故障处变形量、滚子质心波动、滚子与内外圈接触力均出现突变趋势,反映了内圈损伤程度大小可以通过轴承零部件动力学响应的变化趋势来判断。研究对货运列车轴承故障诊断和损伤程度精确识别具有理论指导意义。     

基于虚拟仪器的机车滚动轴承故障诊断研究

介绍了机车滚动轴承故障诊断的机理。利用LabVIEW软件和相关硬件，设计了一种机车滚动轴承故障诊断系统。该系统结合某一型号机车轮对，利用CompactDAQ和NI 9233加速度采集模块采集滚动轴承振动信号。根据滚动轴承机理，振动信号包含滚动轴承故障信息。因此，运用小波变换函数，对振动信号进行时频域分析处理，获取有用的故障特征信息，进而确定故障类型。从实验结果可以看出，该方法能准确地找到故障频率，对于机车滚动轴承故障诊断有很好的指导意义     

基于自适应随机共振的轴承故障诊断研究

针对集总经验模式分解法很难作出非稳态条件的轴承故障诊断,提出一种自适应随机共振的轴承故障诊断方法.研究以非对称阱宽势函数取代对称双稳态势函数,借助左势阱宽变化以实现布朗粒子跃迁的有效控制;以非对称阱宽诱导随机共振系统输出信号的信噪比作为量子遗传算法的适应度函数,获得最优的非对称阱宽随机共振系统,实现轴承早期故障特征信号的增益和提取.仿真及轴承故障试验显示,研究可以增益和提取强背景噪声下的微弱故障特征频率信号,实现电机驱动端轴承的故障诊断,增益性能优于集总经验模式分解方法.     

基于邻域相关性小波去噪的滚动轴承包络解调及故障分类

将邻域相关性的冗余第二代小波应用于滚动轴承信号降噪,用Hilhert包络解调法提取的故障特征频率,比较不 同转速和载荷下的提取效果,提出包络幅值峭度指标,并将其输入BP神经网络进行故障诊断。结果表明：基于邻域相关 性的冗余第二代小波降噪方法能很好的抑制噪声,保留原信号的信息;降噪后的故障信号经过Hilbert包络解调能找到 特征频率及其倍频,其效果优于原始信号的包络解调分析。工况会影响分析效果,且速度对提取效果的影响大于载荷。 包络幅值峭度指标能很好区分不同工况的故障信号,结合BP人工神经网络诊断正确率为100%。     

基于Gabor变换和EMD的轴承故障诊断

基于振动信号处理的轴承故障诊断方法应用非常广泛。由于在实际采集的振动信号中往往混合着干扰信号,因此提出了一种基于Gabor变换的盲源分离和基于经验模态分解(EMD)的Hilbert包络谱分析相结合的故障诊断方法。首先采用基于Gabor变换的盲源分离方法对振动信号进行盲源分离,然后利用EMD方法进行分解获得本征模式函数(IMF)分量,再通过局部细化Hilbert包络谱方法分析判断轴承故障的特征。研究结果表明,通过对轴承振动信号进行盲源分离和EMD分解,可以使信号的故障特征更加明显,从而提高故障诊断的准确性。     

基于优化残差卷积网络的滚动轴承变工况故障诊断

针对滚动轴承在实际运行环境中同时存在变负荷和变噪声的复合工况干扰而产生的故障诊断效果不理想的问题,提出了一种用于滚动轴承变工况故障诊断的一维残差卷积神经网络方法。将归一化后整理完的原始轴承振动信号输入到网络模型中,利用具有残差连接的多个一维卷积层提取特征,再经过多个卷积池化,最后输入到Softmax层进行分类,输出轴承振动信号的故障类型。将所提方法与一维卷积神经网络(CNN)、LeNet-5和AlexNet几个经典模型进行对比分析,结果表明,本文方法在变噪声实验和变负荷实验中的平均准确率分别为94.16%和95.31%,均高于其他经典神经网路,具有较强的抗噪性和泛化性能力。     

基于LabVIEW的局域均值分解方法及其在列车轴承故障诊断中的应用

列车轴承故障诊断是保证铁路运营安全的重要手段，轴承振动信号的处理方法是实现故障诊断的关键。局域均值分解方法是一种自适应的信号处理方法，对于非线性非平稳信号的解调具有良好的性能。利用在测试测量领域广泛使用的LabVIEW进行了局域均值分解方法的编程，将该方法与虚拟仪器技术结合搭建了一套高速、可靠、可移植性强的系统，通过仿真信号和轮对实验的验证，证明该方法适用于工程实践。     

基于混沌吸引子特征量的滚动轴承故障诊断

利用混沌吸引子特征量可以刻画滚动轴承在不同故障状态下振动特性的特点,提出一种基于关联维数、最大李雅普诺夫指数和信息熵的故障诊断方法。结合试验数据,应用支持向量机技术分析了3类特征量对滚动轴承的故障识别能力,并对比了特征量两两组合的分类效果。研究表明：3类特征量都包含着不同的故障信息,将其结合可以明显提高故障识别率。通过对实测轴承数据的故障分类研究发现,与单一特征量方法相比,该方法可以有效区分不同故障类型和故障严重程度,为滚动轴承故障的超精密诊断提供了可能性。     

基于Java的面向对象的BP网络模型及故障诊断推理

用BP神经网络模型进行故障诊断在实际中有着广泛的应用,而面向对象的方法在计算机研究和应用中越来越显现出其强大的生命力.将一个人工智能的重要模型用面向对象的方法加以计算机化,使其使用更有效、更方便.     

基于BP神经网络的模拟电路故障诊断研究

本文介绍BP神经网络在模拟电路故障诊断中的应用,对电路中的软故障进行诊断。对选定的待测电路在元件存在容差的条件下,仿真验证了BP神经网络应用于模拟电路故障诊断的可行性。     

形态小波变换在轴承故障信号处理中的应用

基于数学形态学的形态小波变换是对信号基于形态特征的非线性分解，选取合适的信号分解算子既能够抑制噪声，又能够提取信号中的冲击成分。形态小波变换只有加减法和取极大、极小运算，与通用的时频分析方法相比计算简单。仿真数据和实验信号的分析表明：形态小波变换能够准确有效地提取轴承故障的特征频率成分，适用于轴承故障的在线诊断。