基于谱峭度的滚动轴承故障诊断方法

数控机床的轴承故障诊断中,谱峭度作为一种高阶统计量能在频域位置中显示出信噪比低信号的暂态成分,相较于传统解调分析方法需要依靠人的经验选取共振频带,谱峭度方法具有更高的准确性。本文基于谱峭度方法能够发现信噪比低信号的冲击成分,利用该方法对轴承内圈故障数据进行处理,通过对结果分析,显示该方法能够有效诊断出轴承内圈故障。     

聚丙烯轴流泵振动故障原因分析及处理

通过某聚丙烯装置第二反应器轴流泵出现的异常振动故障情况介绍。通过现场采集振动信号频谱,对速度频谱、加速度包络谱、高频加速度谱进行综合分析,推断出轴流泵振动故障的原因为轴流泵非驱动侧轴承存在外圈故障。拆检情况及检修后的频谱验证了检修前频谱分析的结果。     

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。     

基于声发射和振动技术的滚动轴承故障分析

建立滚动轴承故障模拟试验台,利用声发射和振动两种技术对轴承故障进行研究,分析比较不同转速下,正常和外圈、滚动体故障状态下声发射和振动信号的峰值、峭度系数和裕度因子的变化规律,利用短时能量法分析两种信号判断轴承故障位置。结果表明声发射信号在高转速下可以初步判断轴承是否发生故障,短时能量法分析表明外圈故障声发射信号周期性冲击更明显。振动信号复杂,用时域参数和短时能量法无法准确判断轴承是否发生故障。     

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。     

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。     

基于CEEMD-BP神经网络大数据轴承故障诊断

基于BP神经网络的智能诊断方法,应用于离心泵的滚动轴承故障诊断中。将原信号经过CEEMD分解进行降噪处理,重构信号并求出时频域特征参数;选取合适的时域特征参数(峭度指标、峰值指数等)和频域特征参数(重心频率、均方频率等),作为BP神经网络的输入;确定网络层的数目、各层节点数目和初始权值大小,进一步明确诊断模型;对比实际输出值与理论输出,推导滚动轴承的故障状态。实践证明,由于BP神经网络在信号处理方面具有很强的数据拟合能力,这种方法在大数据滚动轴承故障诊断中取得良好应用效果。     

基于特征频谱对齿轮箱的振动监测和故障诊断

提出一种基于深度神经网络智能监测与诊断的方法。考虑到现有故障信号数据量及多样性不足以直接用来训练神经网络,提出一种基于特征频段的诊断神经网络。具体是利用现有数据进行频谱与包络谱分析,然后提取相应的故障频段与无故障频段。通过少量信号数据便可以提取足够数量的频段数据用以训练神经网络,利用该神经网络对齿轮箱进行振动监测。     

一种回转机械不均匀故障的时域定位分析法

机械故障诊断与分析目前已在各方面广泛地受到重视。在解决机床齿轮箱杂音研究中,我们采用同步门脉冲能量相关分析法对杂音进行分析和对产生杂音的齿进行定位。经使用表明,这种方法对回转机械不均匀的故障进行定位分析是简单而有效的。为说明此法的优点,首先对目前常用的频域与时域信号分析法作简单的分析。常用的频谱分析法,是将时域信号经传氏分析变换为频域的幅值频谱和相位频谱。     

常见故障振动谱图和识别方法

在实际工作中,如何从振动信号频谱中识别出故障特征是一项较难的工作。尤其对刚从事故障诊断工作的人员来说,更是如此。有人曾把学习如何识别振动谱图比作学习一种新的工程语言,此比喻很形象。本文拟侧重说明在分析谱图时如何抓住重点,忽略次要因素,以确定故障的类型,找出设备存在的问题。 在分析振动谱图时,要记住两条原则: 1.频率形态(大小及其变化等)代表故障类型; 2.幅值代表故障劣化程度。 下面我们针对一些典型故障分析实际的振动谱     

机械故障信号中的边带特征及识别

本文以滚动轴承为例,阐述了机械部件在运行过程中出现故障信号的边带现象,并初步分析了故障信号边带现象产生的原因。介绍了一种识别边带信号的方法——倒频谱分析技术。     

转动设备刚度故障实用诊断及案例

现有的诊断资料绝大部分是介绍如何利用昂贵的频谱分析仪等高端仪器进行信号分析,单纯的信号分析只是故障判断依据之一。现场的技术工人熟悉现场、熟悉设备、熟悉检修,如果再掌握一定的诊断知识,就可利用手中现有的简易工具,快速、准确地分析判断出多种设备故障。     

频谱细化在电机振动故障诊断中的应用

在日常机械故障诊断中,采用常规谱就能对设备的故障进行分析诊断,但是某些电气故障在常规谱里无法识别,容易跟机械故障相混淆。介绍如何运用频谱细化谱对电气故障进行识别诊断,以及实际应用情况。     

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。     

为数据采集器设计的故障诊断专家系统

在诊断机械设备故障时常采用频谱分析的方法,各种频谱分析仪和数据采集器都可显示出设备振动信号的频谱。至于如何理解一个实测的频谱,则常常需要有一定的理论基础、对设备的了解以及诊断经验。     

基于ITD-ELM的变压器绕组微弱匝间短路故障诊断

为了解决油浸式变压器内部绕组绝缘故障检测难度大的问题,提出了一种基于本征时间尺度分解(ITD)和极限学习机(ELM)的变压器绕组微弱匝间短路故障诊断方法。首先,将采集到的变压器可听声信号利用ITD算法分解为若干旋转(PR)分量,并将峭度值较大的分量信号相加,对可听声信号进行重构;其次,将重构后的变压器可听声信号作为模型输入层,故障诊断结果作为模型输出层,构建了基于ITD-ELM的变压器绕组微弱匝间短路故障诊断模型;最后,以一台110 V变压器搭建实验模拟平台,对其微弱匝间短路故障进行训练并诊断。结果表明：基于ITD-ELM模型的微弱匝间短路故障诊断精确率为98%,较传统的ELM故障诊断精确度提升了3%,验证了所提变压器绕组微弱匝间短路故障诊断方法的准确性。研究所提出的故障诊断方法准确性较高,可应用于现场运行的不同电压等级的油浸式变压器。     

相位分析技术在故障诊断中的应用

增压机机组轴瓦发生故障,检修后对电机进行空试时,振动幅值居高不下。在故障诊断过程中,利用相位分析手段辅助频谱分析,最终找到故障原因,彻底消除故障,保证了电机的正常运行。     

机组振动在线监测与诊断技术的应用

利用在线监测系统提供的频谱、轴心轨迹等分析手段,对机组运行过程中产生的振动信号进行分析诊断,判断设备的故障状态,从而实现预防性维修。     

透平主泵振动偏高的故障诊断及治理

透平主泵改造后振动偏高的故障诊断过程及治理方法。利用振动分析仪采集振动数据并对频谱图进行详细分析诊断,可以准确找出故障原因,通过逐步整治,最终使振动值降至标准许可范围内。     

纸机导辊轴承振动诊断分析

介绍三个纸机导辊轴承振动诊断案例,总结利用噪声、振动值与包络值大小、振动频谱等分析方法,综合考虑各种因素,准确判断轴承故障的几点要领。