JBT50013-2000 滚动轴承 寿命及可靠性试验规程（内部使用）pdf,JBT50013-2000 滚动轴承 寿命及可靠性试验规程（内部使用）

[深度应用]·DC竞赛轴承故障检测开源Baseline（基于Keras1D卷积 val_acc:0.99780） 轴承是在机械设备中具有广泛应用的关键部件之一。由于过载，疲劳，磨损，腐蚀等原因，轴承在机器操作过程中容易损坏。事实上，超过50％的旋转机器故障与轴承故障有关。实际上，滚动轴承故障可能导致设备剧烈摇晃，设备停机，停止生产，甚至造成人员伤亡。一般来说，早期的轴承弱故障是复杂的，难以检测。因此，轴承状态的监测和分析非常重要，它可以发现轴承的早期弱故障，防止故障造成损失。 最近，轴承的故障检测和诊断一直备受关注。在所有类型的轴承故障诊断方法中，振动信号分析是最主要和有用的工具之一。 在这次比赛中，我们提供一个真实的轴承振动信号数据集，选手需要使用机器学习技术判断轴承的工作状态。

最近在研究轴承变转速条件下的阶次跟踪问题，也是成功通过改进的阶比分析方法将时域非平稳信号变成了角域平稳信号，并得到了阶次谱。通过阶次谱也是可以成功找到转频阶次和故障特征阶次，可以很好的进行轴承故障诊断。感兴趣的朋友可以下载用一下。

在矿用旋转机械中,滚动轴承是极易造成损坏的一种机械零件,而多数轴承是因为高速运转情况下,轴承剧烈摩擦发热产生失效。从几个影响轴承寿命的因素进行分析并优化,以适应矿用设备恶劣的工作环境,达到提高轴承稳定性和寿命的要求。

JB/T 5313―2001 滚动轴承 振动（速度）测量方法pdf,JB/T 5313―2001 滚动轴承 振动（速度）测量方法

JB/T 5314―2002 滚动轴承 振动（加速度）测量方法pdf,JB/T 5314―2002 滚动轴承 振动（加速度）测量方法

针对滚动轴承故障振动信号的非平稳特征,提出了一种基于小波包和经验模态分解(Empirical Mode Decomposition,简称EMD)的滚动轴承故障诊断方法。该方法用小波包对振动信号进行预处理,用Hilbert变换求重构信号的包络,采用EMD方法将包络信号分解为若干个IMF分量,让故障信息得到凸显,然后根据某个分量的频谱,判断滚动轴承的故障类型。实验结果表明,比传统的时频分析方法,该方法能够更有效地提取轴承故障特征,诊断轴承故障。

根据滚动轴承的尺寸数据判断早期缺陷的振动特征频率

针对滚动轴承极易损伤，振动信号表现出非线性、非平稳性等特点，提出一种基于局部特征尺度分解(LCD)和改进支持向量机(SVM)的滚动轴承故障诊断算法。首先对采集到的轴承振动信号进行LCD，分解得到一系列内禀尺度分量(ISC)，通过与经验模态分解(EMD)对比研究，证明了LCD方法的优越性；然后计算所有分量的能量熵值，提取出轴承信号的敏感特征集，输入到经过遗传算法(GA)进行参数优选后的SVM识别模型进行轴承状态的诊断识别。实验研究表明，基于LCD和改进SVM的轴承诊断算法能较好地提取出轴承故障特征信息，对4种轴承状态的识别率高达90%，是一种较为有效的轴承故障诊断方法。

滚动轴承技术手册.pdf