大机组齿轮早期故障诊断方法的研究与应用

分析了影响齿轮早期故障诊断准确性的主要因素，针对齿轮振动信号噪声干扰大的特点，采用小波分析、神经网络滤波、相关滤波等方法进行信号预处理，可大大提高信噪比。现场应用情况表明：该方法可在强噪声环境下提取出齿轮振动中的微弱故障信息，及时发现齿轮早期故障隐患。并在此基础上，开发了一套齿轮早期故障诊断软件系统。     

齿轮噪源干扰下滚动轴承故障特征频率的提取

在齿轮噪源干扰下的滚动轴承的故障诊断过程中,齿轮较大幅值的振动往往会掩盖轴承的故障冲击特征,齿轮啮合振动的基频、谐频谱线也影响轴承故障特征频率的获取。利用线调频小波路径追踪算法提取频率的可选择性,根据振动信号中各频率成分的分布特点,使用线调频小波路径追踪算法在不进行滤波处理的前提下直接对滚动轴承故障特征频率提取。仿真算例和应用实例证明了该方法的有效性。     

煤气鼓风机组增速机齿轮故障诊断分析

根据煤气鼓风机组齿轮故障诊断的两个实际例子，分析了齿轮断齿和磨损故障的振动波谱特征，从实例与齿轮诊断理论存在偏差的对比分析中，得出了设备故障诊断应与特定设备故障模式结合的结论。     

减速箱齿轮局部缺陷故障的小波诊断

对小波技术在轧机减速箱齿轮局部缺陷故障诊断的应用进行了探讨.利用maflab的小波分析工具对正常和异常的振动信号分别进行了分解重构,通过对两种状态下不同频段的比较,结合齿轮故障机理,总结齿轮局部缺陷小波分析的特点.     

齿轮故障的频域诊断

本文介绍了齿轮故障的频域诊断方法。该方法是通过对测取齿轮工况下的振动信号进行频谱分析,从而找出齿轮产生故障的原因。     

基于倒频谱风力发电机齿轮箱故障特征提取

风力发电机齿轮箱振动信号中蕴含大量的运行状况信息,针对故障信号中调制边频带复杂这一特点,利用倒频谱方法在复杂混叠信号中提取边带调制频率的优势,识别风机齿轮箱振动信号频谱中的复杂周期成分,有效地提取故障特征,事实证明倒频谱分析可作为风力发电机组设备运行与故障诊断有效方法之一。     

振动信号分析技术在汽轮机故障诊断中的应用

分析汽轮机典型故障成因,提出了一种基于振动信号时—频联合分析技术的汽轮机故障诊断方法。分别基于专家经验和经验模态分解法对采集到的汽轮机振动信号进行时域、频域分析,提取了多个与汽轮机故障状态相关的特征量,然后搭建了基于深度信念网络的诊断模型,并依据在线振动监测数据完成了训练,最后测试各模型在测试集中的识别准确率。结果表明,该故障诊断方法的平均准确率可达95.12%,可以有效识别汽轮机的振动诱因。     

滚动轴承状态监测与故障诊断实用技巧

一、滚动轴承故障诊断方式及技巧 振动分析是对滚动轴承进行状态监测和故障诊断的常用方法。一般方式为:利用数据采集器在设备现场采集滚动轴承振动信号并储存,传送到计算机,利用振动分析软件进行深入分析,从而得到滚动轴承各种振动参数的准确数值,进而判断这些滚动轴承是否存在故障。我们采用日本理音公司生产的SA-77信号分析仪,配合笔记本微机、SA-77振动分析软件进行大中型     

用振动测量和神经网络进行齿轮传动的故障诊断

目前已经使用振动测量和神经网络方法开发出了齿轮传动的故障诊断技术。实施振动测量采用背对背结构的齿轮试验装置，在施加负荷和按齿轮节圆线速度条件下运转，这些都是工业齿轮应用的标准型式。齿轮的普通故障模式体现在试验齿轮上。本所研究的运行齿轮有：正常齿轮、齿尖断裂的齿轮、磨损的齿轮、径向跳动超差的齿轮、综合导程误差超差的齿轮和润滑有限制的齿轮。描述齿轮传动运行状态的特征参数有振动、电机功率、油温和转速。振动测量使用加速度计和声发射传感器。自组织映射(Self Organizing Map，SOM)是一种名的神经网络方法，它是使用上述这些特征参数进行训练和试验。所有经过训练的网络都是有效的，其成功率可达到95％以上。神经网络能够识别运行状态，甚至可以达到100％的成功率。     

VMD敏感分量在风电机组主轴故障诊断中的应用

提出基于VMD敏感分量的风力发电机主轴故障诊断方法。利用变分模态分解分析风机主轴的振动信号,将其分解、评估、分析,选取包含信号特征的有效模态分量重构信号。然后提取重构信号的特征值,构成模态分析向量,凸显信号故障信息,结合VPMCD方法进行故障诊断。将所提方法应用于风电机组仿真实验,对主轴外圈、内圈和滚动体故障数据进行分析验证,结果表明该方法的有效性。     

基于神经网络数据融合技术的诊断系统的研究

神经网络数据融合技术的诊断系统是以电机振动信号和电流、电压信号为研究对象的,对采集到的3类信号进行实时处理,运用神经网络对数据进行局部诊断,再利用数据融合技术对故障信号进行全局分析融合,从而达到对电机故障类型的准确判断。通过运行表明,应用在故障诊断中的神经网络数据融合技术是一种故障识别率高、方便灵活而且诊断精度高的故障诊断方法。     

基于局部线性嵌入的行星变速箱测点优化研究

为在某型行星变速箱齿轮故障诊断中选取最优测点的振动数据,提出一种动力学仿真与局部线性嵌入算法相结合的测点优化方法,并通过BP神经网络算法对部分优化选取测点的实测数据进行故障状态识别效果验证。在ADAMS中对行星变速箱刚柔耦合模型进行齿轮故障注入,初步选取测点,用局部线性嵌入算法进行测点优化;搭建行星变速箱试验台并采集实测振动数据,采用BP神经网络算法对各测点振动数据进行故障状态识别,得出实际测点故障状态识别的准确率以验证测点优化方法的有效性。结果表明,该方法能够有效选取最优测点,为行星变速箱故障诊断的测点选取提供了可靠依据。     

共振解调技术用于滚动轴承早期故障诊断

采集电机驱动端滚动轴承的振动加速度信号,进行共振解调分析后,将其与时域、频域分析结果进行对比,表明共振解调技术对滚动轴承早期故障诊断有较好精密性、灵敏度和可靠性。检修验证结果表明,该技术对滚动轴承早期故障的识别具有实际应用价值。     

HJ-12设备故障综合诊断系统的应用

采用HJ－12设备故障综合诊断系统，通过电流频谱诊断法和振动频谱分析法，这行的注水泵机组进行了预测及其早期故障诊断。     

基于BP神经网络的立磨齿轮箱专家诊断系统研究

水泥厂生料立磨齿轮箱一般采用两级定轴齿轮与一级行星齿轮相结合的传动方式。行星齿轮传动的复杂性使故障形式与特征呈非线性的映射关系,常用信号处理方法提取故障特征的有效性存在不足。对此,分析并计算立磨齿轮箱齿轮及轴承故障的特征频率,构建基于BP神经网络的齿轮箱故障诊断系统,对水泥厂JLP400型水泥立磨齿轮箱行星齿轮箱齿轮及轴承进行诊断,并给出诊断结论。     

蜗轮蜗杆减速机齿形变化故障特征提取方法

蜗轮蜗杆减速机蜗轮齿形变化故障诊断,提出一种新的振动信号特征检测方法。在诊断故障过程中,为提取故障信号的特征频率,给出经验模态分解与希尔伯特变换相结合的方法。     

基于神经网络和VB程序的旋转机械故障诊断系统

以旋转机械常见的质量不平衡、转子不对中两种故障状态和正常运行状态为例,基于神经网络和VB程序构建了旋转机械的故障诊断软件系统.利用一种基于小波包分解后的时域分析方法对旋转机械振动信号进行特征提取,获得了旋转机械正常振动信号及质量不平衡、转子不对中故障状态振动信号的特征向量.借助MATLAB神经网络工具箱,构建了旋转机械的神经网络故障诊断系统,并用旋转机械正常振动信号及质量不平衡、转子不对中故障状态振动信号的特征向量数据对诊断结果的正确性进行了测试,结果表明诊断正确率为88.9%.最后通过MATLAB的二次开发接口与VB程序进行交互,开发出具有良好人机界面的旋转机械故障诊断软件,包括神经网络学习和故障诊断两层界面.     

基于分层极限学习机的轴承故障诊断方法

提出基于分层极限学习机结合迁移学习的轴承故障诊断方法，分析其在变工况下的故障诊断效果。应用短时傅里叶变换方法生成振动信号时频图，并提取不变矩特征、灰度差分统计特征，区分不同故障时频图的形态和纹理特征。在变工况下使用动态分布自适应方法，循环迭代得到最优迁移学习参数，以减小源域和目标域的MMD距离。然后使用分层极限学习机，对迁移后的样本数据进行故障分类。结果表明，所设计的迁移学习方法具有精度高、速度快的优点，在变工况下动态分布自适应迁移学习方法的故障诊断结果优于SVM等非迁移学习的机器学习方法，分层极限学习机作为故障分类器优于KNN、BP等分类器的效果，同时基于时频图的特征提取方法改善了源域和目标域间的可迁移性。     

时延相关解调法在滚动轴承故障诊断中的应用研究

介绍了基于时延相关解调法作为滚动轴承故障诊断的分析方法,该方法能够实现降噪解调使得滚动轴承故障特征凸现,并对采集到的滚动轴承振动信号进行分析。实验和分析结果表明,基于时延相关解调的分析法能用于滚动轴承的故障诊断。     

滚动轴承故障的波谱分析

本文首先对典型故障滚动轴承的振动信号特征作了理论分析。并对试验测得的振动信号进行了波形与频谱分析。包括时域与幅值域中的时间历程、概率密度函数与自相关分析;频域中的功率谱与倒频谱分析。寻找到各类故障轴承在波谱方面的规律特征,并依此对生产中振动噪声不合格的滚动轴承进行故障部位与性质的诊断,取得了一致的结论。