基于一维卷积神经网络的圆柱滚子轴承保持架故障诊断

为解决滚动轴承保持架故障振动信号存在的不稳定性、无冲击特性和故障特征难以获取问题,研究提出基于“端到端”识别的适应性卷积神经网络故障诊断模型。将不同保持架故障状态下的振动信号按一定比例采用有重叠样本分割进行数据增强,并对样本实施分段标准化预处理构建训练和测试集合;利用卷积神经网络实现对振动信号的自适应特征提取和特征降维;在输出端利用全局平均池化替换经典构架中使用的全连接运算,以减少训练模型参数和过程运算量,避免发生过拟合,最终经Softmax分类输出诊断结果。试验结果表明算法能够达到99%以上的故障识别率,且在不同负载和转速下均保持良好的泛化性能和鲁棒性,可有效应用于轴承保持架故障诊断任务。

基于EMD-SDP特征融合的CNN轴承保持架故障诊断研究

针对滚动轴承保持架故障振动信号存在的不稳定性、无冲击特性和故障特征难以获取等问题,提出了一种基于EMD-SDP特征融合的CNN轴承保持架故障诊断方法。采用了SDP信息融合方法对保持架故障振动信号的EMD固有模态分量进行了特征信息融合,展示了不同保持架故障振动信号的时频特性;分析了滚动轴承保持架不同故障状态下的SDP特征图像差异;之后,结合CNN模型进行了SDP图像识别,设计出了一种基于EMD与SDP特征融合的CNN轴承保持架故障诊断方法模型;最后,通过旋转机械故障试验台,对轴承保持架故障进行了模拟实验。研究结果表明:该方法能够实现99%以上的故障识别率,进一步验证了通过深度学习算法自适应提取SDP信息融合图像特征的方法,可有效应用于轴承保持架故障诊断中。

某钢厂预精轧14^(#)轧机减速箱轴承保持架故障诊断分析

保持架是轴承“肋骨”,保持架受损会导致滚动体卡死或其表层被腐蚀使滚动体转动不灵,容易使轴承的使用寿命大大缩短或噪音增大甚至损坏。而通常由于保持架故障因子小造成保持架出现故障特征频率也很小,即使出现保持架故障频率也会被其他频率“淹没”,造成保持架故障通过振动信号难以被分析判断。笔者通过对14#轧机减速箱轴承振动测试分析,准确判断出此减速箱轴承保持架故障,经过对减速箱解体检查发现,轴承保持架出现了严重的断裂故障,更换新轴承后机组正常生产运行,为企业安全顺利生产提供了保障。

地铁牵引电机滚动轴承保持架故障识别技术研究

由于地铁牵引电机滚动轴承保持架运转时非线性受力、非平稳振动、无明显冲击特性及进行频谱分析时故障特征提取难度大,导致保持架故障难以识别。本文研究提出了基于共振解调方法的保持架故障诊断方案,通过应用可有效识别出地铁牵引电机存在保持架故障的轴承。

通过数据分析研判HXD2B型机车电机轴承保持架故障

2017年局内发生多起HXD2B型机车电机传动端轴承保持架断裂故障,由于JK11430走行部车载监测装置数据中无预报警信息、日常入库时电机轴承无法检查,给机车走行部带来安全隐患。通过对JK11430走行部车载监测装置数据进行了分析,梳理出了在无预报警信息情况下如何通过数据卡控电机轴承保持架故障。

基于峭度曲面极大值的电机轴承保持架故障诊断方法

轴承保持架是电机的故障易发部件,在其转动过程中由于受力小、故障部位激发的冲击弱,通常只有在保持架的兜孔转角处的裂纹非常明显或者断裂后才会引起振动超限报警,影响运行安全。针对电机轴承保持架早期故障诊断的难题,首先,提出了一种基于峭度曲面极大值选取最佳频带的新方法,相比传统方法,该方法能够在强噪声及干扰中有效地找到富含保持架微弱冲击信号的故障频带;进而,提出了一种评估故障频带对应的包络谱的故障显著度的计算方法,能够自动辨识出保持架故障;接着开展了两组电机保持架故障实验,验证了方法对保持架故障诊断的有效性;最后,进行长时间数据采集实验,验证了方法的鲁棒性。

基于改进小波包系数熵的保持架损伤程度识别

针对损伤保持架振动信号的无冲击特性、非平稳性和故障特征难以提取的问题,提出了基于改进小波包系数熵的损伤程度识别方法。用小波包分解保持架损伤信号获得小波包系数并求小波包系数熵,将小波包系数熵作为特征向量输入支持向量机(SVM)的来识别保持架损伤程度。为提高小波包系数熵的特征敏感性,对小波包系数矩阵元素值和小波包系数概率分布的区间进行修改。最后对正常轴承、保持架点蚀、保持架裂纹和保持架断裂的振动信号进行实验分析,实验结果表明:修改后的小波包系数和区间能有效避免小波包系数概率分布集中;当等分区间数相同且小于170时,与小波包系数熵与SVM结合的方法相比,该方法对保持架损伤程度的识别率更高。

基于EMD的Hilbert解调方法在核电轴承故障诊断中的应用

针对某核电厂凝泵电机正常运行时非驱动端轴承出现的轴承温度异常升高的问题,提出基于EMD的Hilbert包络解调分析方法。故障信号与拆卸检测结果相同,验证了所提出方法的可用性,并指出了滚动轴承温度异常上升的根本原因是轴承保持的缺陷。