基于VMD排列熵与FASSA-SVM的滚动轴承故障研究

提出了一种基于萤火虫改进麻雀搜索算法-支持向量机（FASSA-SVM）的轴承故障诊断方法。首先对轴承工况的振动信号变分模态分解（VMD）得到多个模态分量（IMFs）,其次利用排列熵（PE）求解每种工况每个IMF的PE值作为特征参数输入至SVM中,最后利用FASSA方法优化SVM的惩罚因子、核参数并得到最优的轴承故障分类诊断效果。实验结果表明,FASSA-SVM方法的平均测试集诊断准确率高达99.8%,该诊断结果优于传统的萤火虫算法（FA）、优化麻雀搜索算法（SSA）。     

设备滚动轴承损坏程度快速鉴定法

滚动轴承是设备中的易损件。介绍了鉴定滚动轴承损坏程度的快速鉴定方法,以决定是否更换轴承,从而降低了检修费用。     

基于CYCBD和麻雀搜索算法的滚动轴承故障特征提取方法

目的解决在较强的噪声环境下最大二阶循环平稳盲解卷积(MaximumSecond OrderCyclostationary Blind Deconvolution,CYCBD)算法在滚动轴承故障特征提取时效果欠佳的问题,为滚转尾翼导弹的尾翼滚动轴承故障诊断提供方法参考。方法提出一种利用麻雀搜索算法(SparrowSearchAlgorithm,SSA)优化CYCBD算法的方法,将CYCBD算法解卷积的包络谱熵作为SSA寻优的适应度函数,利用SSA高效地寻找出合适的循环频率以及滤波器长度,选择自适应参数后,再使用CYCBD算法有效解卷得到周期脉冲特征。结果同时对比SSA优化CYCBD前后进行故障特征提取的包络谱图,CYCBD的噪声幅值不超过0.13 m/s^(2),峰值不超过0.29 m/s^(2),用SSA优化CYCBD的噪声幅值不超过0.08 m/s^(2),峰值不超过0.32 m/s^(2),故障频率成分更加突显,无论是噪声幅度,还是峰值幅度特性,均较CYCBD有了较大改善。结论仿真实验验证了SSA优化CYCBD方法能够更加清晰地辨识到故障特征频率及其倍频成分,其具有良好的工程应用前景。     

神华铁路TPDS与TADS项目建设安全规划探讨

货车运行状态(走行稳定性、装载状态、车轮踏面状态、滚动轴承状态)直接关系到行车安全,本文介绍了货车运行状态地面安全监测系统(TPDS)、货车滚动轴承故障早期监测系统(TADS)的国内外现状与发展趋势,讨论了TPDS和TADS检测与诊断技术和应用,结合神华集团铁路实际情况,从先进、成熟、经济、实用、可靠的角度论证了神华集团TPDS和TADS建设的可行性和建设方案,分析了项目实施的社会效益,给出了结论和建议.     

关联维数在机械设备故障诊断中的应用研究

研究了混沌与分形的特征参数———关联维数的计算方法和参数的选择。以滚动轴承在正常、外圈故障、滚动体故障、内圈故障4种状态下的信号特征为标准样本,以其运行的实测信号为例,对时域信号进行了频谱分析,并进一步进行了关联维数分析。通过对滚动轴承振动信号的关联维数分析,证明了该轴承在4种不同标准状态下具有明显不同的关联维数特征。因此,按照相关性的大小,就可诊断出实测信号属于外圈故障状态信号。研究结果表明,关联维数分析方法在设备状态监测与故障诊断中,尤其是在非线性系统的故障诊断中显示出其独特的优势,具有较为广阔的应用前景。     

基于小波包变换和ELM的滚动轴承故障诊断研究

为了准确诊断滚动轴承故障,降低滚动轴承故障对设备运行的影响,提出了一种基于小波包变换分析与极限学习机相结合的滚动轴承故障诊断方法.首先,通过小波包变换对轴承振动信号进行消噪处理,采用均方根差和平滑度法为指标筛选出合适的小波基函数,用以对原始信号进行消噪处理.然后以信号的8种特征作为指标对消噪后的信号进行特征值提取,并通过时域、频域信息图对轴承故障进行先验诊断.最后将提取的特征值作为样本通过极限学习机的方法对轴承故障类别进行分类、诊断.研究表明,该方法能够准确地对轴承故障类别进行诊断,为轴承的故障诊断提供了新的思路.     

改进EMD算法在滚动轴承振动信号分析中的应用

针对传统的经验模态分解处理非平稳、非线性振动信号存在的模态混淆问题,提出了一种改良的经验模态分解处理滚动轴承的振动信号。针对采集振动信号过程中存在多频率信号、噪声和间歇信号的特点,构建了高低频率信号和带有噪声及间歇信号的混合信号,并对仿真信号进行传统的经验模态分解和改进经验模态分解。结果表明,使用改进经验模态分解对实际采集的轴承振动信号进行分析,能够较好地改善模态混淆现象。     

基于小波包模糊熵与RBF神经网络的滚动轴承故障诊断

针对滚动轴承发生故障的振动信号具有复杂度高、非线性的特点,难以准确提取滚动轴承的故障特征和故障识别问题,提出了基于小波包分解(WPD)与径向基函数(RBF)神经网络相结合的轴承故障诊断方法。该方法对滚动轴承振动信号进行三层小波包分解,然后重构各频段的信号,计算各频段信号的模糊熵作为特征矢量,构建训练集和测试集,对RBF神经网络模型进行训练,使用经过训练的RBF神经网络进行故障识别,输出滚动轴承的故障类型。采用美国CWRU轴承数据中心的数据进行仿真实验,结果表明该方法能更有效地诊断出轴承故障类型。