基于轴承故障信号特征的自适应冲击字典匹配追踪方法及应用

针对滚动轴承故障特征,提出了一种自适应冲击字典匹配追踪方法。根据轴承故障信号的产生机理,将轴承的转速、尺寸等因素引入到字典中,建立了一种基于故障信号特征的新型字典模型。依据字典模型中各个关键参数对分析结果的影响程度,确定冲击位置信息为首要模型参数,提出了逐次改变特性参数的方法建立自适应字典,使得字典中的每一个原子都与被分析信号有很好的相似度,降低了字典的冗余程度,提高了字典的使用效率。同时结合匹配追踪原理建立了自适应冲击字典匹配追踪的方法。仿真信号,实验信号和工程信号分析结果表明,基于自适应冲击字典匹配追踪方法可以对轴承不同位置的故障进行有效诊断。将该方法与遗传算法匹配追踪进行比较,表明该方法的处理效果更佳。

基于Pro/E的滚动轴承参数化设计

由于相同系列的滚动轴承标准件具有相同的拓扑结构和不同的尺寸参数,所以可采用参数化设计技术进行系列化设计。基于Pro/E软件的程序和族表两种二次开发工具,与三维造型相结合,以深沟球轴承为例,详细讨论了滚动轴承参数化设计的方法和步骤。

滚动轴承防锈方法研究

分析了影响滚动轴承锈蚀的因素及几种常见的锈蚀现象 ,探讨了在生产加工和保管使用过程中防止滚动轴承锈蚀的方法。

二维变分模态分解在轴承检修中的应用

应用2D-VMD算法对图像信号进行去噪,以提升图像质量。采用2D-VMD技术对含有噪声的轴承缺陷图像进行分解,将其分解为有限个固有模态函数(IMF)分量;利用模糊线性指数和标准差筛选各IMF分量,剔除噪声项,实现图像去噪。对比2D-VMD去噪算法和均值滤波、中值滤波的去噪效果,使用均方差和峰值信噪比对去噪后的图像进行客观评价。结果表明:使用2D-VMD算法去噪效果更好,去噪后的图像能保留更多有效信息、图像质量更好,能够满足铁路部门对轴承检修的需求。

滚动轴承故障诊断的阶比多尺度形态学解调方法

针对变转速下滚动轴承的故障诊断问题,提出滚动轴承故障诊断的阶比多尺度形态学解调方法。该方法先采用线调频小波路径追踪算法获得轴承的故障特征频率,再对非平稳转速下时域振动信号的包络进行等角度重采样得到平稳信号,并用基于信号局部峰值的方法确定多尺度形态学分析的结构元素,用各结构元素对重采样信号进行形态学操作,最后对操作结果的平均值做频谱分析,以完成阶比多尺度形态学的解调过程。线调频小波路径追踪算法能很好地提取轴承非平稳振动信号的故障特征频率,而多尺度形态学解调是对各尺度形态学分析结果的平均值进行频谱分析,能有效地抑制噪声,从而使得该方法具有很好的抗噪性能,适用于工程实际中变转速轴承振动信号的分析。仿真分析和应用实例证明了该方法的有效性和优越性。

基于MEA优化BP神经网络的农机滚动轴承故障诊断

为了解决农机滚动轴承的故障诊断问题,提出了一种基于思维进化算法(MEA)优化BP神经网络的故障诊断新方法。该方法利用思维进化算法的趋同和异化操作,通过竞争获取优胜种群,在迭代过程中不断优化BP神经网路的初始权值和阈值,建立MEA-BP网络农机滚动轴承故障诊断模型。以滚动轴承试验实测数据为例,通过Mat Lab软件进行仿真,结果证实:该方法不但克服了常规BP网络学习速度慢和局部极小的缺点,而且提高了故障诊断准确度,为其他农业机械设备的故障诊断提供了一种试验方法。

采用知识流理论的高速滚动轴承打滑失效试验台集成设计

为了降低高速滚动轴承打滑失效试验台设计中知识获取的复杂度,结合知识流理论对试验台集成设计过程进行了知识梳理与基于流程分解的知识解耦,在对功能质量约束需求进行分析的基础上研制了打滑失效试验台。提出了一种支持产品全生命周期设计的一体化知识集成框架,并基于这一框架对打滑失效试验台从需求分析直至交付的全生命周期设计过程中的设计知识及其与设计过程的集成模式进行了研究。建立了高速滚动轴承打滑失效试验台集成设计的知识流模型,对试验台集成设计服务及其知识流动情况进行了分析;研究了分布式资源环境下设计知识服务的发布与发现机制,对建立的资源单元进行了基于网络的知识服务注册与发布,以利于分布式资源环境下用户的搜索与发现。研究结果表明,从知识流视角出发对试验台集成设计进行研究是可行的,有助于提高设计效率与质量。

实现保持架运动轨迹动态可视化的方法

基于轴承各零件的运动关系,分析了轴承保持架的自由度和运动轨迹,应用计算机图形学原理对轴承保持架的三维运动显示进行了建模,利用Open GL建模和渲染方法,结合C++Builder编程语言,实现了轴承保持架轴心轨迹的三维重构及其三维动态显示。

汽车轮毂轴承单元密封件设计改进及分析

介绍了有关汽车轮毂轴承单元密封件独特的密封结构设计及重要性。利用ansys软件对各密封唇口的接触应力进行分析,得到该结构的设计安全性。通过实际的对比试验分析,得出该密封件的性能优越性,验证了该密封件的可行性。

基于1DCNN与双通道信息融合的柴油发动机故障诊断

针对传统单通道振动信号诊断方法只能采集部分信息用于局部诊断,而多通道信号融合权重确定困难、实时性差的问题,提出一种基于深度一维卷积神经网络(One-dimensional Deep Convolutional Neural Network, 1DCNN)与双通道信息融合的柴油发动机故障诊断方法。通过搭建柴油发动机预置故障试验台,将传感器配置于发动机不同位置以采集发动机运行过程中的双通道故障信号,分别提取振动信号中的最大值、最小值、峰峰值、均值、整流平均值、方差、标准差、峭度等14个特征,构建特征集矩阵并利用主成分分析(Principal Component Analysis, PCA)进行特征融合,输入深度一维卷积神经网络,实现对发动机不同故障状态的诊断。试验结果表明,该方法可以有效识别发动机不同的故障状态,与单通道信号诊断相比,所提出的双通道信息融合方法在发动机故障诊断中具有更好的效果。

圆柱滚子轴承振动信号时频特征提取及状态识别

为深入研究变工况下滚动轴承故障特征信息提取及状态识别方法,分别以圆柱滚子轴承三种典型状态件(轴承正常、外圈磨损、滚动体磨损)为研究对象,开展变工况下的圆柱滚子轴承振动信号特性分析。搭建了某型特种车辆变速箱圆柱滚子轴承实验台架,通过实验台架采集了不同输入转速作用下的圆柱滚子轴承故障振动信号。在此基础上,采用广义S变换(Generalized Stockwell Transform,GST)对原始振动信号进行时频域转换,将获得的二维时频矩阵作为特征矩阵;对特征矩阵进行奇异值分解(Singular Value Decomposition,SVD),获得表征圆柱滚子轴承典型状态件特征信息的奇异值向量组;将提取的奇异值向量组输入支持向量机(Support Vector Machine,SVM),利用SVM实现圆柱滚子轴承不同状态类型识别。结果表明:该方法可有效实现变工况下圆柱滚子轴承振动信号特征信息提取及状态识别,为旋转机械设备在线监测提供了一种有效手段。

失火故障模式下的柴油机信号特征分析

针对一汽锡柴公司某型号柴油机在不同故障模式下的信号特征进行分析,研究了在柴油机典型失火故障下经过小波包分解后的缸盖振动信号特征敏感性,为柴油机的故障模式分析提供参考。