滚动轴承故障诊断的频谱分析技巧

本文主要介绍旋转机械中滚动轴承故障诊断的实用技巧,采用振动分析方法,通过监测滚动轴承的振动状态,采集振动信号波形进行频谱分析,从而合理安排关键设备的预防维修计划,避免因突发性设备故障所造成的经济损失,确保生产的顺利进行。     

基于变分模态分解的振动台轴承状态监测方法

针对航天器力学试验用振动台水平滑台内部轴承无法观测、故障发生初期无法获知的问题,提出了针对轴承故障的一种在线预判方法,旨在提前发现轴承故障隐患,避免产品损失。首先,选取加速度传感器作为轴承运动状态响应监测介质,以螺接方式安装于轴承上;其次,使用变分模态分解技术作为轴承加速度响应数据分析方法,计算每个轴承除基波外的谐波成分;最后,通过谐波成分计算结果所构建的轴承状态指标,直观地判读出故障轴承。真实产品振动试验过程中获取了一组有效的轴承故障数据,该组数据结果明确表达了滑板内部4号轴承的异常性,滑板拆除后的检查结果也验证了轴承状态指标的有效性,同时也为未来轴承健康状态指标的制定奠定了基础。     

基于时频图和CNN的滚动轴承故障诊断

针对传统轴承故障诊断方法泛化能力差,提出了一种基于时频图和卷积神经网络(CNN)的滚动轴承故障诊断方法。首先,对振动信号进行短时傅里叶变换,构造时频图;然后,将训练信号的时频图作为卷积神经网络的输入,训练网络模型;最后,将测试信号的时频图输入网络模型,实现对滚动轴承的故障状态识别。通过美国凯斯西储大学的开放数据集进行多组验证实验,结果表明该方法能够有效的判断轴承是否存在故障,并且能够识别故障类型,准确率可以达到97.63%以上。     

航空发动机主轴承使用状态寿命预测模型(英文)

航空发动机主轴承寿命的实际可靠预测对于发动机的安全运行至关重要。使用状态寿命(即状态良好、初始损伤、故障发展和即将失效4个寿命阶段)描述航空发动机主轴承的使用寿命,并提出了一种基于支持向量机和模糊逻辑推理的主轴承状态寿命分析模型。首先,讨论了理论计算模型,采用轴承疲劳累积损伤模型,利用修正的Lundberg-Palmgren模型,结合飞参记录数据计算主轴承装机以来的累积寿命消耗,确定状态寿命的理论值。然后,详细阐述了状态寿命评估模型,该方法通过选取轴承振动的时域、频域统计量作为特征矢量,利用支持向量机作为辨识算法进行滚动轴承状态寿命的智能评估。最后,基于模糊逻辑推理融合主轴承状态寿命的理论计算模型和状态寿命评估模型得到主轴承状态寿命模型。采用滚动轴承的全寿命试验验证模型的有效性和可行性。     

基于神经网络的直升机自动倾斜器轴承故障诊断方法

为了进一步提高直升机的安全性，利用BP神经网络和RBF神经网络对直升机自动倾斜器轴承进行故障诊断。完成了直升机自动倾斜器轴承故障植入试验，获取了自动倾斜器轴承的故障振动数据，并进行了振动数据的特征信号提取。采用振动数据特征信号的多参数融合作为神经网络的输入，对自动倾斜器轴承故障进行诊断，获得了较高的故障诊断率。采用基于神经网络的故障诊断方法，自动倾斜器轴承各类故障的最高故障诊断率均大于89%。     

基于ELMD与改进SMSVM的机械故障诊断方法

机械振动信号携带大量重要的机械状态信息,然而机械故障振动信号在复杂工作状态下通常呈现非平稳、非线性特性。因此,从振动信号抽取和选择有效的机械故障特征、提高故障识别性能,成为机械故障诊断研究的热点。针对上述问题,本文提出了基于集成局部均值分解(Ensemble local means decomposition,ELMD)与改进的稀疏多尺度支持向量机(Sparse multiscale support vector machine,SMSVM)的机械故障诊断方法。该方法首先使用自适应非线性、非平稳信号处理方法 ELMD把多模态调制故障信号分解成为多个单模态解调信号,有效地增强了故障特征。把压缩感知和多尺度分析技术融合于故障模式分类中,提出改进SMSVM旋转机械故障识别方法,提高多类机械微弱故障数据模式识别性能。该方法融合稀疏表示、多尺度分析和SVM的优点,无需求解复杂的优化问题,易于推广至更多尺度SVM,具有计算量少、泛化性与鲁棒性好、物理意义明显等优点。人工数据和实验设备数据验证了本文算法的优越性。     

反向旋转双转子发动机振动特性的分析方法(英文)

提出了两种反向旋转双转子系统的振动特性分析方法。基于MSC.NASTRAN大型有限元分析软件,开发了反向旋转双转子系统振动特性分析求解序列。利用两种方法,对某反向旋转双转子航空发动机转子系统的振动特性进行研究,并与传输矩阵方法及发动机整机试验结果进行对比。结果表明,两种方法对临界速度的分析结果正确,且对采用反向旋转方案的现代高推重比航空发动机的振动特性设计具有一定的参考价值。     

基于小波变换和神经网络的直升机旋翼不平衡故障诊断方法

依据直升机旋翼不平衡故障空间与多点机体振动空间存在一对一映射关系的理论,采用某旋翼试验台设置桨距不平衡、质量不平衡以及后缘调整片不平衡的方法获取试验数据。利用小波变换和神经网络处理直升机机体振动信号,并对直升机旋翼单故障和复合故障进行诊断。最终实现了一种利用小波变换处理机体振动信号诊断旋翼不平衡故障的方法。     

基于改进l_1趋势滤波的滚动轴承故障诊断

针对轴承故障的振动信号滤波问题,提出了改进l1趋势滤波方法。该方法滤波效果由规则化参数决定,一般根据原始信号的特征信息来确定这个参数。为了提升适用性,最佳规则化参数通过与最大值之间的线性关系来选取。通过实际轴承的内、外圈故障振动信号分析发现,该方法能提取轴承故障特征。同时,相比于经验模态分解方法,改进方法具有更好的特征提取效果。     

基于多噪声数据训练CNN的自动倾斜器滚动轴承故障诊断

针对传统卷积神经网络(Convolutional Neural Network,CNN)在直升机自动倾斜器滚动轴承噪声环境下诊断效果不佳的问题,提出一种基于多噪声数据训练CNN的自动倾斜器滚动轴承故障诊断方法。该方法首先在原始振动信号中随机添加不同大小的高斯白噪声,然后利用小波变换方法构造不同噪声下的时频图,最后利用CNN对不同噪声下的时频图进行故障分类。利用课题组和美国凯斯西储大学的公开轴承数据集开展真实诊断实验,结果表明,与传统CNN相比,极大地提高了在噪声环境下的故障识别率。     

Variational Mode Decomposition for Rotating Machinery Condition Monitoring Using Vibration Signals

The failure of rotating machinery applications has major time and cost effects on the industry.Condition monitoring helps to ensure safe operation and also avoids losses.The signal processing method is essential for ensuring both the efficiency and accuracy of the monitoring process.Variational mode decomposition(VMD)is a signal processing method which decomposes a non-stationary signal into sets of variational mode functions(VMFs)adaptively and non-recursively.The VMD method offers improved performance for the condition monitoring of rotating machinery applications.However,determining an accurate number of modes for the VMD method is still considered an open research problem.Therefore,a selection method for determining the number of modes for VMD is proposed by taking advantage of the similarities in concept between the original signal and VMF.Simulated signal and online gearbox vibration signals have been used to validate the performance of the proposed method.The statistical parameters of the signals are extracted from the original signals,VMFs and intrinsic mode functions(IMFs)and have been fed into machine learning algorithms to validate the performance of the VMD method.The results show that the features extracted from VMD are both superior and accurate for the monitoring of rotating machinery.Hence the proposed method offers a new approach for the condition monitoring of rotating machinery applications.     

谐波信号的通用频谱校正算法在回转机械监测中的应用

分析了常规FFT谱由于能量泄漏和栅栏效应,不能获得简谐振动信号精确幅值、频率和相位的原因。针对现有校正频谱方法的不足,提出了基于黄金分割的通用频谱校正算法。经仿真实例验证,该方法具有计算量小、校正精度高、适应面广的特性。经过回转机械启动实例分析,该方法能得到准确的临界转速、升速曲线和幅频响应曲线,为回转机械的瞬态行为分析提供了新的手段。     

基于小波神经网络的混沌时间序列预测及应用

根据相空间重构理论,探讨了一种基于小波神经网络(WNN)的混沌时间序列预测方法。根据G-P算法和Takens理论,计算出混沌时间序列相空间重构所需的最小嵌入维数,以此作为网络的输入节点数。通过时频分析,使得隐节点数的选取也有了可靠的理论依据。最后对Lorenz仿真信号和滚动轴承信号进行仿真和预测,验证了方法的有效性。结果表明,对于混沌时间序列的预测,WNN网络比BP网络表现出更理想的预测效果,为非线性动态系统的预测提供了一种有效的途径。     

基于旋转激励作动器的工程振动控制

介绍了振动主动控制中旋转激励作动器的概念,分析了旋转激励作动器的特点。旋转激励作动器具有易集成、低功耗等优点,适用于工程应用,且随着旋转运动的引入能够解决传统直线作动器存在的行程受限问题。对基于旋转激励作动器的振动控制技术在航天、交通运输以及土木工程等不同领域的实验研究及工程应用进行了阐述。最后展望了关于旋转激励作动器的主要研究趋势,以及潜在的应用领域。     

基于加速度测量的智能桁架结构振动主动控制

加速度传感器具有频带宽、结构简单、重量轻等优点而获得了广泛使用，因此研究基于加速度测量的结构控制系统具有较大的实用价值。文中的只能获得加速度时，采用模态滤波器技术实现从物理加速度响应解耦得到单模态加速度的响应。然后改变Ｌｕｅｎｂｅｒｇｅｒ观测器的结构形式，从模态加速度响应观测得到模态们移和模态速度响应。基于模态滤波器和最优控制理论，采用独立模态空间控制策略，实现了具有密集模态的三维柔性智能桁架结构     

柔性机器人终端振动抑制准时间最优控制

机器人运行速度的提高受到其高的加、减速度所激励的振动的限制。因为手臂的振动降低了手臂到达终点的定位精度,并延长了定位到终点的时间。本文提出了一个用死拍控制规律来提高柔性机器人的运行速度、抑制终端振动及提高定位精度的设计方法,它可提高如航天飞机舱外遥控机械手的定位精度,以及机器人自动化生产的劳动生产率。     

基于机体振动的直升机桨毂阻尼故障诊断

研究了仅用机体振动信号诊断旋翼减摆器阻尼失效、轴向铰卡涩和水平铰卡涩3种桨毂阻尼故障的可行性。在旋翼试验台上分别设置上述3种阻尼故障，测取机体振动响应，利用快速傅立叶变换分析其频谱特征。分析表明，3种阻尼故障引起的机体振动谱图互不相同。采用概率神经网络实现了3种阻尼故障的正确分类。研究表明，仅用机体振动响应实现旋翼阻尼故障诊断是可行的。