滚滑运动是导致滚动轴承失效的一种特殊运动形式,采用仿真和试验相结合的方法,研究了滚动轴承在滚滑运动下的磨损特性。首先,应用Abaqus有限元软件建立滚滑状态下的滚动轴承有限元仿真模型,得到轴承的摩擦力动态响应。之后,通过滚滑磨损试验台得到轴承运动过程中的摩擦力数据,运用灰色关联分析法得知仿真数据与试验数据的关联度达到0.8以上,因此,仿真所得的摩擦力可作为判断轴承磨损状态变化的依据。在轴承磨损试验中,对润滑油进行颗粒度检测并观察记录了轴承内圈的表面形貌。结果表明,仿真所得摩擦力变化影响油液颗粒度、表面形貌的变化,油液中所含颗粒数目上升与内圈表面产生磨痕作为内圈所受摩擦力变化导致的磨损结果,正反馈于摩擦力,使其幅值不断增大,进一步加剧了轴承的磨损。仿真与试验相结合的方法为准确判断滚滑状态下...

针对滚动轴承故障难以准确识别问题,提出了一种基于敏感分量与多卷积池化组(Multi convolution pooling group,MCPG)的故障诊断方法。首先,采用经验模态分解(Empirical mode decom?position,EMD)将原始信号分解成为多个固有模态分量(Intrinsic mode function,IMF),使用离散Fréchet距离作为衡量指标,选取出故障敏感分量作为表征不同故障类型的故障数据源;之后,提出了一种MCPG深度神经网络架构,并使用敏感数据源对模型进行训练与测试,从而实现数据驱动的轴承故障诊断。通过实验验证,表明该方法对不同类型的振动数据(不同转速、不同损伤类型、不同损伤程度)均具有较好的识别效果。

针对旋转机械转子振动信号通常伴随着强噪声,难以提取其有效信息的问题,提出一种基于时变滤波经验模态分解(Time varying filtering based empirical mode decomposition,TVF-EMD)和Teager能量算子(Teager energy operator,TEO)相结合的故障特征提取方法。首先,用TVF-EMD方法自适应地分解轴承振动信号,以获得一组本征模态函数(Intrinsic mode functions,IMFs);然后,对分解结果进行峭度计算,并根据峭度最大准则选出峰度值最高的敏感分量;进而,利用Teager能量算子对选定的敏感分量进行解调处理,通过观察明显的周期性故障特征频率来实现轴承微弱故障特征提取。进行了仿真和实验,结果证明,该方法能有效实现轴承微弱故障的诊断。

针对在背景噪声下滚动轴承故障初期周期性瞬态冲击不明显的问题,应用基于循环平稳最大化盲解卷积方法(Blind deconvolution based on cyclostationarity maximization,CYCBD)。滤波器长度和循环频率左右CYCBD降噪效果,应用粒子群优化算法(Particle swarm optimization,PSO)对其进行智能化寻优,确定优化参数,解决CYCBD不稳定问题。首先,采用PSO优化CYCBD中滤波器长度和循环周期频率,对周期性冲击成分进行增强;然后,通过包络谱峰值因子(Crest factor of envelope spectrum,EC)作为PSO的目标函数,迭代寻找滤波器长度和循环周期频率的最优解;最后,对CYCBD应用最优解,对增强后的信号进行包络解调分析,可以准确地获得轴承信号的故障特征频率。通过对仿真信号和实验数据分析,表明该方法可有效增强振动信号的周期性瞬态冲击特征,在滚动轴承早期故障特征提取方面具有优势。

鉴于滚动轴承振动性能的失效概率分布呈现多变性、非线性、不确定性等特征,提出分别用振动数据序列的Hurst指数和最大熵指标表征滚动轴承振动性能的混沌特性和不确定性。基于滚动轴承服役过程中的振动数据序列,在对数坐标系中运用最小二乘法拟合得到Hurst指数值,判断各个振动序列对应时间段内轴承运行性能状态的混沌特性。运用最大熵法求解各振动序列的最大熵值,进而对轴承振动性能的不确定性进行定量分析。运用灰关系分析法,计算均值归一化后的Hurst指数和最大熵序列之间的灰置信水平,分析轴承振动性能的混沌特性和不确定性之间的非线性相关程度。两个案例中Hurst指数与最大熵序列之间的灰置信水平分别为96.99%和82.1%,表明轴承振动性能的混沌特性和不确定性之间的关系非常紧密。

针对随机噪声背景下滚动轴承局部损伤信息提取困难的问题,提出了一种奇异值分解(Singular value decomposition,SVD)和局部均值分解(Local mean decomposition,LMD)联合降噪,并结合Teager能量算子(Teager energy operator,TEO)的特征提取新方法。首先,利用SVD方法对滚动轴承故障振动信号进行处理,初步剔除背景噪声;然后,使用LMD方法分解降噪后的信号,依据相关系数指标筛分出敏感乘积函数(Product function,PF)并加以重构;最后,对重构的信号进行TEO解调分析,将解调谱中幅值突出的频率成分与故障特征频率理论值进行对比,提取故障信息。结果表明,该方法可有效提取轴承局部损伤的特征频率,最终实现故障诊断。

为了研究滚动轴承时变刚度对精密机床主轴回转精度的影响规律,在考虑游隙的条件下,建立滚动轴承的时变刚度模型,并提出采用平均刚度和刚度幅值变化率来表征刚度的时变特性。以深沟球轴承为例,分析了不同径向游隙、载荷、滚动体数对滚动轴承时变刚度的影响规律。结果表明,轴承的平均刚度与径向游隙负相关,与载荷和滚动体数正相关;刚度幅值变化率随着径向游隙的增大总体呈增大趋势,随载荷和滚动体数的增大总体呈减小趋势,但是,当等效承载滚动体数为整数时,滚动轴承刚度的时变特性最为明显。为了减小轴承刚度的时变特性,应当根据载荷等工况条件,选择合理的游隙和滚动体数。

由于滚动轴承在工程实际中的应用场景复杂多变,早期的滚动轴承故障容易被高强背景的噪声所掩盖,传统的故障特征提取方法效果不理想。针对现有共振稀疏分解方法的品质因子手动选取不严谨的问题,提出蛙跳算法优化参数模型,将品质因子进行蛙跳算法优化,再将得到的最优品质因子组合输入到共振稀疏分解模型中进行处理,得到低共振分量,将低共振分量进行Hilbert解调分析。设定低共振分量的峭度值最大为目标,进行蛙跳迭代寻优,最终实现了故障频率的识别。

针对现有基于CNN(Convolution Neural Network)的滚动轴承故障诊断方法难以有效挖掘和利用数据中包含的多尺度信息问题,提出了一种多尺度卷积特征融合的滚动轴承故障诊断方法。加入上采样层,通过递归方式建立具有多尺度特征提取和融合能力的卷积神经网络MSCNN(MultiScale Convolution Neural Network)结构,提升模型对输入信号的理解能力。利用美国凯斯西储大学(CWRU)数据库对所提方法的有效性进行验证,采用短时傅里叶变换对滚动轴承信号进行频谱分析,将频谱样本输入到MSCNN网络中,数据分析表明,该方法能有效地提升故障的诊断精度。

针对在强噪声的干扰下,滚动轴承微弱故障特征难以有效地提取的问题,提出一种基于最大2阶循环平稳盲解卷积(Maximum Second-order Cyclostationarity Blind Deconvolution,CYCBD)和包络谱相结合的微弱故障特征提取方法。首先,由故障特征频率设置合理的循环频率集,使用CY-CBD对含有强噪声的微弱故障冲击信号进行降噪处理,增强信号中的周期性冲击成分;然后,对降噪信号进行Hilbert包络谱分析来识别故障特征频率。通过仿真和实验,结果证明,该方法能有效地提取被强噪声淹没的微弱故障特征。