轴承故障
轴承故障的相关文献在1988年到2023年内共计874篇,主要集中在机械、仪表工业、自动化技术、计算机技术、电工技术
等领域,其中期刊论文389篇、会议论文46篇、专利文献235155篇;相关期刊235种,包括黑龙江科技信息、科技风、设备管理与维修等;
相关会议43种,包括2016年全国设备监测诊断与维护学术会议、第十五届全国设备故障诊断学术会议、第十七届全国设备监测与诊断学术会议、2016年全国设备诊断工程会议、第九届全国技术过程故障诊断与安全性学术会议、2014年全国冶金企业热电专业年会等;轴承故障的相关文献由2213位作者贡献,包括崔玲丽、任学平、刘利强等。
轴承故障—发文量
专利文献>
论文:235155篇
占比:99.82%
总计:235590篇
轴承故障
-研究学者
- 崔玲丽
- 任学平
- 刘利强
- 李娜
- 李永亭
- 王云
- 王朝阁
- 齐咏生
- 吴春光
- 康守强
- 李乃鹏
- 李骁猛
- 杨彬
- 林建辉
- 段志强
- 王昭
- 王玉静
- 贺志学
- 邬娜
- 雷亚国
- 向家伟
- 张玉皓
- 李凯
- 王建国
- 秦勇
- 董健
- 褚景春
- 丁建明
- 于春雨
- 刘军委
- 刘后广
- 刘嘉敏
- 孙勇
- 孙永健
- 张军
- 张敏
- 张清华
- 彭玲
- 李志农
- 林桐
- 欧阳文理
- 沈长青
- 滕春禹
- 潘磊
- 王琳
- 王诗彬
- 罗甫林
- 翟浩
- 袁凌
- 赵志斌
-
-
裴红蕾
-
-
摘要:
因轴承的工作环境恶劣,导致其故障多发,在对轴承故障进行快速诊断和定位时存在困难,为此,提出了一种基于综合信息融合神经网络的轴承故障智能诊断方法。首先,介绍了前置神经网络的工作原理,推导了前置神经网络的链接权值系数训练方法,制定了前置神经网络的算法流程;并基于D-S证据论和Dempster组合规则,设计了后置神经网络的故障诊断方法;然后,提出了基于综合信息融合神经网络的轴承故障诊断方法,完成了两种神经网络的优势融合;最后,为了对基于综合信息融合神经网络的轴承故障诊断方法的有效性进行验证,采用了美国凯斯西储大学的轴承实验数据进行了试验。研究结果表明:无后置融合模块的故障识别率均值为90.45%,无前置融合模块的故障识别率均值为89.93%,综合信息融合神经网络的故障识别率均值为99.33%;该结果证明,基于综合信息融合神经网络的诊断方法具有较高的故障识别准确率和较强的鲁棒性,将综合信息融合神经网络应用于轴承故障诊断是有效的。
-
-
朱紫悦;
张金萍
-
-
摘要:
在滚动轴承的实际运行过程中,其故障信号往往容易淹没于强背景噪声中,使其故障的类型难以得到识别,针对这一问题,提出了一种基于固有时间尺度分析(ITD)和多点最优调整的最小熵解卷积(MOMEDA)相结合的联合降噪方法,并将其应用于滚动轴承的故障诊断中。首先,用ITD算法对滚动轴承故障原始信号进行了分解,得到了多个固有旋转分量(PRC);其次,依据相关系数和峭度原则,挑选出了与原信号相关度较大的PRC分量,并对其进行了重构;然后,采用MOMEDA算法对重构信号进行了进一步降噪处理,完成了有用信号与噪声信号的分离;最后,对降噪后的信号进行了包络解调分析,提取出了故障特征频率,诊断出了轴承故障具体位置;此外,为了验证该方法的有效性,通过ITD与局域均值分解(LMD)、MOMEDA与最大相关峭度解卷积(MCKD)算法对仿真信号进行了对比分析,并对轴承外圈进行了实例分析。研究结果表明:相比于ITD-MCKD方法,基于ITD-MOMEDA联合降噪方法的故障诊断准确率提高4.3%,能更有效地去除强噪声,并成功地检测出轴承的故障类型。
-
-
汪峰;
周凤星;
严保康
-
-
摘要:
为了提高滚动轴承的故障诊断率,提出了一种经验模态分解(empirical mode decomposition,EMD)结合时域分析后使用主成分分析(principal component analysis,PCA)融合特征量的特征提取方法。首先,通过EMD分解得到前5个本征模态函数(intrinsic mode function,IMF)分量的上、下包络值矩阵的奇异值;然后,对轴承原始信号进行时域分析得到各种时域特征参数;最后对奇异值和时域特征参数使用PCA降维融合后输入到多分类支持向量机(support vector machines,SVM)中进行分类。通过实验仿真验证,融合后的特征量诊断准确率达到了98.6%,该方法能充分地提取出轴承故障特征信息,诊断效果良好。
-
-
徐红波;
叶宝玉;
刘熊
-
-
摘要:
航空发动机主轴轴承是航空发动机中的关键部件,其使用条件苛刻,长时间工作在高速、高温的恶劣环境下,因而它是发动机最容易损伤的零件之一。主轴轴承损伤会导致发动机故障,严重威胁飞机的安全平稳飞行甚至造成更大的安全事故。故而,针对航空发动机主轴轴承进行故障评定方法研究,对于及时发现航空发动机主轴轴承缺陷,确保航空器的安全飞行具有重大意义。对航空发动机主轴轴承的状态监测、评定及诊断,其关键、难点在于如何从轴承振动信号中提取出轴承的动力特征指纹信息。在某种程度上,动力特征指纹提取可以说是当前航空发动机主轴轴承故障评定与诊断研究中的瓶颈问题。
-
-
郭炳廷;
陈水宣;
洪昭斌;
袁和平
-
-
摘要:
为实现轴承故障的精确诊断,采用特征排列的方法分析轴承振动的数值特征,通过贝叶斯超参数优化方法调整神经元数量来拟合轴承振动特征,并用Dropout解决过拟合问题,提出一种基于贝叶斯超参数优化方法的浅层神经网络轴承故障诊断方法。实验表明,在各种阈值下,采用该方法的轴承故障诊断综合评价指标AUC达到99.8%,性能指标高于传统故障诊断方法。
-
-
张文兴;
徐佳杰;
刘文婧;
王建国
-
-
摘要:
针对滚动轴承时域信号难以有效提取其故障特征,且信号频谱在高低频区域内较为存在对分类无意义的冗余特征使得故障分类模型在训练过程中做无用功的问题,提出使用双树复小波进行故障特征提取。在此基础上,将双树复小波和宽度学习模型结合,提出了基于双树复小波与宽度学习的滚动轴承故障诊断方法。首先,利用双数复小波将采集到的振动信号分解为不同频带的子信号;然后提取子频带作为特征向量;最后用宽度学习对样本进行训练以完成快速故障分类。
-
-
杨广;
喻柄睿;
杨志慧;
陈代俊;
刘世林
-
-
摘要:
针对传统轴承故障识别方法的识别率低以及人工干涉等问题。提出了一种基于时频图和深度神经网络(WT-CNN)轴承故障类别的自动识别方法。首先采用连续小波变换(CWT)将原始信号转为时频图,然后将其输入VGG-16神经网络模型中的卷积网络层(CNN)进行特征自动提取,并使用softmax层完成识别。实验结果表明,该方法可以准确地识别轴承故障类别,其准确率达到100%。因此与其他神经网络和传统机器学习方法相比,WT-CNN神经网络模型能有效对轴承故障类别完成识别任务。
-
-
赵亚琴
-
-
摘要:
矿用通风机为煤矿的关键设备,其轴承在高速旋转过程中受到交变应力的作用,容易发生磨损与失效,对矿井的生产安全造成威胁。对通风机轴承故障的失效形式、产生机理与特征参数进行分析,探究并计算了轴承各零件发生故障时的特征振动频率,并确定了以振动信号为依据的故障诊断方法,提出了一种故障诊断系统方案,通过振动采集设备对通风机轴承的振动数据进行监测,利用工控计算机进行故障诊断,并给出故障维修建议。
-
-
刘文;
周智勇;
蔡巍
-
-
摘要:
以舰船异步电动机轴承故障、定子绕组匝间短路、转子断条等故障为研究对象,介绍其产生与分类。针对不同故障类型,梳理了目前主要的故障诊断方法,并进行归纳比较。最后,就基于数据驱动的异步电动机故障诊断技术发展趋势进行了展望。
-
-
谭逸;
马波;
张强升
-
-
摘要:
在基于声阵的旋转机械故障监测过程中,目前通常依据专家经验人为确定声阵信号频率范围,以此来进行定位分析,容易造成故障源定位不准确,针对这一问题,提出了一种基于敏感特征频带的旋转机械故障源定位方法。首先,依据旋转机械故障声信号具有明显的周期性冲击特性,利用Protrugram方法确定了声阵信号的敏感特征频带范围,并从中提取出了敏感特征频带信号;然后,通过最小均方无失真响应方法(MVDR)对敏感特征频带信号进行了分析,计算了旋转机械所处平面的声场分布,做出了声场分布图;将摄像头监控画面与声场分布图相结合,识别了最大声源位置,即故障源位置;最后,设计了故障模拟实验,对该方法的可行性进行了验证。研究结果表明:该方法对于轴承类故障和不平衡故障的定位误差不超过0.10 m,能有效确定旋转机械的故障源位置,实现旋转机械故障源定位的可视化。
-
-
-
孙培刚
- 《第七届(2016)石油化工设备维护检修技术交流会》
| 2016年
-
摘要:
挤压造粒系统是塑料生产装置的核心设备,减速箱是挤压造粒机组重要组成部分,减速箱的振动情况关系着整体机组的长周期完好运行,通过发生的一次轴承故障检测、分析、修复过程,对目前工厂所用常规振动检测方法、机组携带振动检测方法以及专业频谱分析方法进行对比,确定下一步对减速箱振动重点使用的方法.
-
-
-
刘青山;
刁克军;
赵雷
- 《2019铁道车辆轮轴学术交流会》
| 2019年
-
摘要:
本文通过统计分析货车26型轴承故障类型的比例、故障里程和故障程度,确定典型故障轴承.并根据货车运行工况进行台架试验,得出新造轴承、故障(缺陷)轴承在不同试验载荷、试验速度及运转时间下的温度(温升)变化规律,为货车26型轴承适应60t级货车延长段修周期(1.5年延长至2年)及在线健康检测提供参考.
-
-
-
ZHONG Yongteng;
钟永腾;
XIANG Jiawei;
向家伟;
TONG Minjie;
童民杰
- 《2016年全国设备监测诊断与维护学术会议、第十五届全国设备故障诊断学术会议、第十七届全国设备监测与诊断学术会议、2016年全国设备诊断工程会议》
| 2016年
-
摘要:
结合改进的经验模态分解技术(Enhancement Ensemble Empirical Mode Decomposition,EEMD)和多重信号分类算法(Multiple Signal Classification,MUSIC),提出了基于阵列信号机械轴承声源定位技术,对机械转子系统运行时的由故障产生的异常声音进行实时监测和定位分析.首先,利用EEMD技术提取声源信号得到含特征频率的固有模态函数(IMFs),再运用MUSCI算法,对含故障特征频率的固有模态函数分量进行分析,进而实现故障声源定位,有效地解决了工业环境下由于噪声和故障声源信号相互混叠导致的声源信号特征提取困难的问题.通过转子试验台的模拟实验,有效地验证了该方法对转子故障声源定位的准确性.
-
-
-
-