针对目前机械设备故障数据量大、多样性且主要采用监督式学习提取故障特征的现状,提出一种堆叠稀疏自编码深度神经网络,实现无监督学习提取振动信号内在特征,并用于滚动轴承故障诊断。将频谱包络线作为低层输入逐层训练网络,获取故障特征表达,输入Softmax分类器实现故障分类;通过优化算法对整个深度神经网络进行微调,提高分类精度。滚动轴承故障诊断实验结果表明:所提出的深度神经网络能更准确地实现故障诊断,且在保证准确率的同时将频谱包络线作为低层输入,能够提高计算效率。

可倾瓦轴承监测系统采集信号种类多,具有超多采集通道,实现通道任意可选比较困难。针对此问题,提出一种基于轮询枚举的方法,将循环索引和枚举型条件结构相结合并利用LabVIEW平台实现该算法。通过实验验证,该方法可以实现超多采集通道任意可选,对应通道数据存储也非常方便,便于对轴承单个瓦块进行数据采集分析。

针对非平稳工况下,轴承故障信号表现出来的非平稳性、故障特征难以提取等特点,提出将阶次分析与经验小波变换(EWT)相结合的故障特征提取方法,使用LabVIEW软件开发平台对上述方法进行编程实现。利用机械故障仿真实验台(MFS)得到非平稳工况下轴承内圈故障信号并以其进行分析,分析结果表明基于阶次分析与EWT相结合的方法能准确识别非平稳工况下轴承故障特征,解决了传统阶次分析方法无法有效识别故障特征的问题。

通过对鼓形齿啮合传动基本原理的研究，确定了鼓形齿基本几何参数，计算出鼓形齿啮合需要的侧隙值，以满足正常啮合传动。