通过应用专家系统对滚动轴承故障进行诊断,在专家系统的知识库中输入了有丰富经验的维修人员通过看、听、触、测得到的故障现象和排除故障的方法,该系统通过人机交互界面实现,使维修人员可以快速找出滚动轴承的故障并进行排除,节约时间,提高效率。

在电机滚动轴承的故障诊断领域中,由于电机运行环境的复杂性,以及目前大多数故障诊断依然是基于单参数进行,如振动、温度及电流等所能携带的故障特征进行诊断,所以不确定性因素及不确定信息也充斥其间,从而致使故障诊断的准确率较低。分析了传统故障诊断系统的弊端,并介绍了多信息源数据融合诊断系统的结构及其在故障诊断应用中的优势,并通过实例分析,采用3个独立传感器对轴承故障信号采集,并通过经验模态方法对信号处理得到故障特征向量,最后应用BP神经网络和D-S证据理论进行故障识别。每使用一次D-S证据理论的合成,均会提高故障诊断的准确率,进一步说明多信息源数据融合故障诊断系统的的可行性及有效性。

改进TrAdaBoost多分类算法的滚动轴承故障诊断

提出了一种基于小波包分解与EMD的故障诊断特征提取方法。对故障振动信号进行小波包分解,并将其高频部分节点信号进行重构,对2个节点的重构信号分别进行EMD分解,得到一系列的IMF分量;提取每个节点的各个IMF分量的能量值并归一化后作为轴承的故障特征量输入神经网络进行诊断。通过实验证明2种方法的结合具有良好的局部分析能力及自适应分解的特点,可以提取更加有效的特征值,因此在进行诊断时,具有更快的速度与更高的准确率。

采用基于小波包变换(WPT)和极限学习(ELM)的方法对轴承故障进行诊断和分类辨识。该方法首先采用小波包变换对采集到的振动信号进行分解,求得各频带的相对能量,并构建特征向量,接着利用极限学习机进行自动分类识别。经使用实验台实测电机滚动轴承不同状态的信号进行分析,研究结果表明,所建立的自动分类模型可以有效地对轴承的单一故障,以及不同程度故障有很好的辨识能力。

高阶谱在滚动轴承故障诊断中的应用

为实现对滚动轴承工作状态的监测，提出了一种基于 Lab VIEW 的滚动轴承故障诊断系统的设计方案，给出了滚动轴承振动信号的采集与故障诊断方法，在 Lab VIEW 的诊断平台下进行信号处理与分析，然后结合滚动轴承故障诊断理论与信号分析结果来对该轴承运行状态进行判断。最后利用旋转机械振动及故障模拟试验平台对该系统进行验证，验证结果体现了该系统具有可行性和适用性。

讲述S变换在滚动轴承故障诊断上的应用，s变换时优于小波变换的提取时频域的手段。

基于BP神经网络的滚动轴承故障诊断，内附故障数据

滚动轴承的故障检测、分类源代码，且配合有word版大报告。图文并茂 具体做的内容是： 针对滚动轴承这种非平稳振动信号采用的小波包分解的方法来检测故障的存在，运用神经网络来实现故障的分类，还结合D-S理论融合了多个传感器的诊断结果，提高了故障诊断的准确性并通过实验仿真证实。