滚动轴承故障诊断优化仿真研究

滚动轴承故障诊断系统优化的开题报告

滚动轴承故障诊断系统优化的开题报告一、选题背景滚动轴承广泛应用于各个领域，如工业设备、机床、汽车等。

但在运行过程中，由于多种因素的影响，滚动轴承易受损坏，可能导致系统失效。

同时，由于其他因素的干扰，滚动轴承的损坏也不容易直接发现。

因此，开发一种滚动轴承故障诊断系统非常必要。

二、研究内容本研究将以滚动轴承的损坏状态为切入点，开发一种基于机器学习的滚动轴承故障诊断系统，通过数据采集和分析，准确快速的识别出轴承的损坏状态。

在数据采集方面，将采用传感器获取滚动轴承在运行时的振动、声响等数据。

在数据分析方面，将利用神经网络、遗传算法等机器学习技术，对采集到的数据进行分析处理，不断对系统进行优化调整。

三、研究目标本研究的主要目标是开发出一种准确快速的滚动轴承故障诊断系统。

具体目标如下：1.建立准确的滚动轴承损坏的模型和数据处理模型，能够根据模型和处理模型来区分滚动轴承的不同状态。

2.归纳滚动轴承在不同损坏状态下的关键振动和声响信息，在数据采集方面加以考虑，并对信息进行有效的提取和分析。

3.对所选用的神经网络或其他机器学习方法进行优化和改进，到达更好的预测精度和诊断结果。

4.在实验室内进行较为完整、准确的试验，以验证所研发系统的可靠性和实际效果。

四、研究方法本研究将采用如下研究方法：1.研究相关技术文献，掌握滚动轴承故障诊断领域的发展现状、研究思路和关键问题。

2.进行实验数据的采集和处理，利用传感器等设备获得滚动轴承在不同状态下的振动、声响、温度等数据，采集到的数据包括不同负荷、不同转速、不同环境温度下的数据。

3.通过对采集到的数据进行处理，提取振动、声响等特征，建立滚动轴承故障的模型，对模型进行理论分析和实验优化，并对不同故障模型进行合并考虑，充分识别滚动轴承的损坏状态。

4.采用不同的机器学习算法，如神经网络、遗传算法、逻辑回归等，进行滚动轴承故障诊断系统的开发与优化。

五、预期结果通过以上的研究方法和过程，本研究预计能够取得如下结果：1.建立出一种基于机器学习的滚动轴承故障诊断系统，能够在精准和快速的识别出轴承的损坏状态。

基于神经网络的滚动轴承故障诊断方法的研究

ｌｌ
式中：ＵＯ１．，；＝ … ，）＝，，．０１… ｎ—重构信号离散点的幅值。．７
导师的学习算法，具有广泛的适用性Ｉ６１。在这里我们采用ＢＰ算法
（）了更好的反应不同故障带来的固有振动频率的本质，对故障诊断网络进行训练，３为具体的算法流程如下：１对网络的权（）
ｂｌｙａｄｓｌｌａｎｎ，ｅ－ｒａｉｎ，ａｔｅｅ，ｄｗｉｄａｆｒｒｌｎｅｉｇａｌｄａｎｓ．ｉｔｎｅ－ｅｉｇｓｌｏｇｚｇａｐｉ，ｔａｈｃｉｉｅｌｏｌｇｂａｎｆｕｔｉｏｉｉｆｒｆｎｉｄｖｃｎｈｓｏｉｒｇｓＷｅｐｏｏｅｔｏｏａｌｔｓｎｎｒｌｎｅｉｇｂｅｎｎｕａｎｔｏｋｉｏｎｃｉｎｗｔｒｓｄａｍｈｄｒｕｔｅｔｇｏｏｉｇｂａｎａｄｏｅｒｅｒｎｃｎｅｔｉｐｅｆｆｉｌｒｓｌｗｏｈｒｌｎｅｉｍｏｔｔｏｍｃｉｒｄｅｕｍｎｆａｉａｔａｄａｐｏｉａｅ０ｏｈｃｏｌｇｂａｎｉｉｐｒａｈｎｙａｑｉｅｔｒｇｌｐｓｎｒｘｍｔｌ３％ｆｗｉｈｉｒｇｓｎａｔｅｎｐｆｏｅｒｐｙ
图２诊断测试系统图
表１滚动轴承特征向量表
输入层
隐藏层
输出层
图１滚动轴承故障诊断网络结构
网络的第一层为输入层，输入采用小波分解得到的特征向
量。第二层为隐藏层，为偏置。由于输入向量１范数本身处于ｂ一
［，］０１区间，故隐藏层选用Ｓｇｏｉｍｉｄ激活函数，（＝）

某新能源汽车变速箱滚针轴承润滑仿真分析及优化

某新能源汽车变速箱滚针轴承润滑仿真分析及优化对某新能源变速箱在台架高速试验时因润滑不足而出现输入轴滚针轴承烧毁的问题进行分析。

基于Particleworks软件平台，建立输入轴滚针轴承润滑仿真模型，查看不同转速下的润滑效果。

以改善滚针轴承润滑为目标，分析加长导油嘴在不同转速下对滚针轴承润滑效果的影响。

仿真结果表明，加长导油嘴可改善滚针轴承润滑效果，且通过台架试验验证有效。

前言变速箱润滑系统设计是变速箱开发中至关重要的部分，直接影响变速箱内部齿轮、轴承等零部件的使用寿命。

一直以来，变速箱润滑系统设计主要依靠研究人员的经验，通过設计壳体特征，确定润滑形式及油液高度来达到润滑设计要求。

如果润滑设计存在缺陷，则会引起齿轮、轴承等重要零部件的失效，且只能在样机试验阶段才会发现。

目前，变速箱润滑系统设计验证主要依赖透明壳体台架试验。

该试验可以清楚看到壳体上轴承的润滑情况，然而对于内部齿轮和滚针轴承润滑情况的观察却较为局限。

由于样机试制及验证时间长，难以快速锁定设计及改进措施，润滑系统设计已成为制约变速箱开发周期的重要因素。

目前，关于润滑方面的研究主要集中在数值分析计算方面。

文献[1]提出了采用齿面移动法对齿轮进行处理的方法。

文献[2]提出了多相流（VOF）模型，以解决齿轮飞溅润滑存在的较为复杂的油气两相流现象。

针对润滑系统的设计，文献[3]介绍了一般的减速器润滑系统组成及相关部件的选择、计算，并给出了润滑系统设计时的注意事项。

本文基于移动粒子半隐式流体分析（MPS）方法的Particleworks仿真分析软件平台，建立了某新能源变速箱输入轴滚针轴承润滑仿真模型。

该新能源变速箱的开发为基金项目，属于国家重点研发计划：2018YFB0105801新型高性价比机电耦合变速箱开发项目。

本文论述了在查看不同转速下滚针轴承的润滑效果后，结合某变速箱输入轴滚针轴承失效问题，指出润滑不足是滚针轴承失效的根本原因，并提出改进方案，满足了滚针轴承的润滑要求，为润滑系统设计与改进提供了有力支持。

基于分形理论的滚动轴承故障诊断研究

ｉ－＊－－Ｏ
分形维数Ｄ度量了系统填充空间的能力。
其一般定义为，ｑ依赖于参数ｑＤ：
故：ｌｌｄ：ｉｍ
ｎｒ
，ｄ为关联维数。其中：称
譬
其中，ｑ＝一∞ ，，，，， … 一１０ … ＋∞ 。式中
ｃｒ（）
手（Ｈｕ）
形这一概念不胫而走，形这朵数学奇葩为物分
理组织形态描述提供了一种极其简洁的方法。作为一个全新的概念，形目前还没有一个统分的、格的数学定义。从字面上来说，分严 “ 形 ” 指一类极其零碎而复杂，有其相似性是但或自仿射性的体系。大多数分形在一定标度范围内，不断地显微放大任何部分，其不规则程度
ｉｊ ≠
Ｐ为覆盖几率。当ｑ；取不同值时，表示不同分２具体故障诊断方法维数。如ｑ＝０１２时，别表示豪斯道夫维２１实验方法，，分．数Ｄ信息维数Ｄ和关联维数Ｄ。在本文中，。ａ用专业振动测试仪器，．分别采集五次滚使用关联维数。它能处理测得的各种带有分形动轴承的正常状态和不同故障状态下振动信号
是否正常往往直接影响到整台机器的性能（包
在经典的欧几里德几何中，我们可以用直线、圆锥、等这一类规则的形状去描述诸如球
括精度、可靠性及寿命等）。与别的机械零部件相比，动轴承有一个很大的特点，是其寿滚就命的离散性很大；障轴承振动信号的突出表故现就是其非平稳和非线性特征。而这种瞬时信号持续时间很短，常常被轴承系统的正常信号所淹没．于傅里叶变换的频谱分析难以从频基谱图中提取出有用的特征信号。因此，滚动轴承的故障诊断方法，一直是机械故障诊断中重点发展的技术之一，有重大意义，已经引起具这了国内外许多科技人员的重视。自从Ｂ．Ｍａｄｌｒｔ分形几何学来描．Ｂｎｅｂｏ用述自然界中的不规则图形以来，分形理论吸引了世界许多学者，已被成功地应用到许多领它域．Ｍａｄｌｒｔ分形几何学的不规则图形研在ｎｅｏ￣ｂ

基于时域和频域分析的滚动轴承故障诊断

基于时域和频域分析的滚动轴承故障诊断一、本文概述随着工业技术的不断发展，滚动轴承作为旋转机械中的关键部件，其运行状态直接影响到设备的性能与安全性。

然而，由于工作环境的恶劣、长时间运行以及维护不当等因素，滚动轴承常常会出现各种故障，如疲劳剥落、磨损、裂纹等。

这些故障不仅会降低设备的运行效率，还可能引发严重的安全事故。

因此，对滚动轴承进行故障诊断技术的研究具有重要意义。

本文旨在探讨基于时域和频域分析的滚动轴承故障诊断方法。

文章将简要介绍滚动轴承的工作原理及其常见故障类型，为后续的分析和诊断奠定基础。

然后，重点阐述时域分析和频域分析的基本原理及其在滚动轴承故障诊断中的应用。

时域分析主要关注轴承振动信号的时序特征，通过提取信号中的幅值、相位、频率等信息，揭示轴承的运行状态。

而频域分析则通过对信号进行频谱转换，分析轴承在不同频率下的振动特性，进一步识别潜在的故障特征。

通过结合时域和频域分析，本文旨在提供一种全面、有效的滚动轴承故障诊断方法。

这种方法不仅能够准确识别轴承的故障类型，还能对故障程度进行定量评估，为设备的维护和管理提供有力支持。

本文还将对现有的故障诊断方法进行比较和评价，探讨各种方法的优缺点及适用范围，为相关领域的研究和实践提供参考和借鉴。

二、滚动轴承故障类型及原因滚动轴承作为机械设备中的重要组成部分，其运行状态直接影响到整个设备的性能和稳定性。

因此，对滚动轴承的故障诊断至关重要。

滚动轴承的故障类型多种多样，主要包括疲劳剥落、磨损、腐蚀、裂纹和塑性变形等。

这些故障的产生往往与多种因素有关，如材料质量、制造工艺、运行环境、操作维护等。

疲劳剥落是滚动轴承最常见的故障类型之一，主要是由于轴承在循环应力作用下，材料表面发生疲劳破坏，形成剥落坑。

疲劳剥落的原因主要包括轴承材料的疲劳强度不足、循环应力过大、润滑不良等。

磨损是轴承在运行过程中，由于摩擦力的作用导致材料逐渐损失的现象。

磨损的原因主要包括润滑不良、异物侵入、材料耐磨性不足等。

基于EEMD降噪和1.5维能量谱的滚动轴承故障诊断研究

ｄｉａｇｎｏｓｉｓｍｅｔｈｏｄｂａｓｅｄｏｎＥＥＭＤｄｅ — ｎｏｉｓｉｎｇａｎｄ１．５－ｄｉｍｅｎｓｉｏｎａｌｅｎｅｒｇｙｓｐｅｃｔｒｕｍｗａｓｐｒｏｐｏｓｅｄ．Ａｆａｕｌｔｓｉｇｎａｌｗａｓ
ｅｎｅｒｇｙｓｐｅｃｔｒｕｍｏｆｒｅｃｏｎｓｔｕｃｒｔｅｄｓｉｇｎａｌｗａｓｃａｌｃｕｌａｔｅｄ．Ｓｉｍｕｌａｔｅｄｉｎｎｅｒｆａｕｌｔｓｉｇｎａｌｓａｎｄｍｅａｓｕｒｅｄｉｎｎｅｒｆａｕｌｔｓｉｇｎａｌｓｏｆｒｏｌｌｉｎｇｂｅａｒｉｎｇｓｗｅｒｅａｎａｌｙｚｅｄｂｙｔｈｅｐｒｏｐｏｓｅｄｍｅｔｈｏｄ，ａｎｄｔｈｅｄｉａｇｎｏｓｉｓｒｅｓｕｌｔｓｗｅｒｅｓａｔｉｓｆａｃｔｏｒｙ．Ｋｅｙｗｏｒｄｓ：ＥＥＭＤｄｅ — ｎｏｉｓｉｎｇ；１．５一ｄｉｍｅｎｓｉｏｎａｌｅｎｅｒｇｙｓｐｅｃｔｕｍ；ｒｒｏｌｌｉｎｇｂｅａｒｉｎｇｓ；ｆａｕｌｔｄｉａｇｎｏｓｉｓ
摘要：将１．５维谱分析和Ｔｅａｇｅｒ能量算子相结合，提出了１．５维能量谱的分析方法，并针对滚动轴承故障诊断

EEMD和LM优化法BP神经网络在滚动轴承早期故障诊断中的应用的开题报告

EEMD和LM优化法BP神经网络在滚动轴承早期故障诊断中的应用的开题报告1. 研究背景和意义轴承是机器设备中常见的核心组件，其正常运行对于机器的稳定运行至关重要。

然而，轴承在长期运行过程中，容易出现故障，一旦出现故障，可能会导致机器的停机甚至加剧故障。

因此，在轴承运行过程中，准确地及早诊断轴承故障是十分必要的。

目前，轴承故障诊断研究主要有两种方法：基于物理模型的方法和基于数据的方法。

基于物理模型的方法需要基于轴承的物理模型进行建模，需要耗费大量的时间和金钱，且很难对轴承系统进行全面的研究。

而基于数据的方法则可以利用已有的轴承擦拭数据进行分析，可以更加高效和准确地进行故障诊断。

因此，本研究将采用基于数据的方法进行轴承故障诊断的研究。

2. 研究内容2.1 EEMD和LM优化法本研究将采用EEMD和LM优化法作为数据处理和特征提取的方法。

EEMD是一种基于降阶分解的方法，可以将信号分解为不同频率之间的子信号，可以更好地区分不同频率之间的故障信号。

LM优化法是一种名为Levenberg-Marquardt的优化算法，可以用于BP神经网络的训练，可以更好地调节神经网络的权值和偏差。

2.2 BP神经网络在特征提取后，本研究将采用BP神经网络进行轴承故障诊断。

BP神经网络是一种常见的人工神经网络，用于模式识别和分类，可以学习数据之间的关系，进而进行分类。

3. 研究目的和意义本研究的目的是研究EEMD和LM优化法BP神经网络在轴承早期故障诊断中的应用。

通过对信号的降阶分解和特征提取，利用BP神经网络学习数据之间的关系，实现对轴承早期故障的准确诊断。

本研究的成果将为轴承故障诊断领域的研究提供新的思路和方法。

滚动轴承故障程度识别与诊断研究

ｎｓａｅｅｏｐｓｔａｓｒｓｆｎｒｓｏｅｃｍｏｅｔｂｅｍｔｏｐｃｌｌｅｄｏｐｓｉＥＤ）ｌａｒｃｍｏｅｉｏｉｉｔｎｉｍｄｐｎｎｓｙｔｅｄｏｅｉａｎｄｅｍｏｉｏｄｄｎｅｅｏｉｃｏｈｈｆｍｒｏｃｉｔｎ（Ｍ，
ＡｂｔａｔＴｅｖｂａｉｎｓｎｌｆｈｕｅｃ．ｉｎｒｌｄｒｌｒｆｂａｉｇｗｉｌａｉｕｅｒｅｆａｇｓａｅｃｌｓｒｃ：ｈｉｒｔｉａｓｏｔｅｏｔｒｒｅｎｅ玎ｃａｏｌｅｒｎｄｒｓｄｇｅｓｏｄｍａｅｒｏ・ｏｇａｅｎｅｏｖｏ
通常滚动轴承故障是一个动态发展的过程，
在一般的工程应用中，微的故障可能并不影响轻
ห้องสมุดไป่ตู้
备的在线监测与视情检修有着重要意义。
目前，于滚动轴承故障诊断多基于理想的关
设备的正常运行，只有达到一定的程度后才需更
ｌｃｅｔｓｌｔｄｆｕｔｅｔｉｏｏｌｒｂａｉｇ，ｄｎｉｃｔｎａｄｄａｎｓｓｆａｇｅｒｅａｅｓｕｅ．ＢａｉｇｓｇｅｔｄａｉａｅａｓｇｆｒｒｌｅＩｌｉｅｔｉａｏｉｇｏｉｏｄｍａｅｄｇｅｒｔｄｄｅｒｎｉ－ｍｕｌｔｒｅＩｆｉｎｉ
摘要：通过滚动轴承模拟故障试验台，了滚动轴承外圈、获取内圈和滚动体不同剥落程度时的振动信号，故并对障程度的识别与诊断进行了探索。采用经验模态分解方法对轴承信号进行分解，得到其固有模态分量，然后将前８阶分量的有效值作为特征向量输入Ｂ神经网络，故障程度识别与诊断，Ｐ进行滚动轴承３种类型不同程度

滚动轴承的故障机理与诊断

动体的故障等。
温度诊断法
总结词
通过测量轴承的温度变化，判断轴承的工作状态是否正常。
详细描述
温度诊断法是一种间接的滚动轴承故障诊断方法。通过在轴承座或轴承端盖上安装温度传感器，监测轴承的工作温度，可以判断轴承的工作状态是否正常。如果温度过高或温差过大，可能表明轴承存在故障，如润滑不良、摩擦过大等。
04
滚动轴承故障诊断实例
实例一：振动诊断法的应用
01
总结词
振动诊断法是通过监测滚动轴承的振动信号来判断其运行状
态的方法。
02
详细描述
振动诊断法具有非破坏性、实时性等优点，通过分析振动信号的频率、幅值和波形等信息，可以识别滚动轴承的故障类型和位置，以及评估故障的严
重程度。
03
总结词
振动诊断法需要使用专业的振动测量仪器，如振动分析仪或频谱分析仪，对滚动轴承进行
促进智能化发展
随着工业4.0和智能制造的推进，对设备的监测和故障诊断要求越来越高。滚动轴承的故障机理与诊断研究有助于推动设备智能化的发展，提高生产效率和产品质量。
对未来研究的建议
01
加强跨学科合作
滚动轴承的故障机理与诊断涉及多个学科领域，如机械工程、材料科学
、信号处理等。建议加强跨学科合作，综合运用各学科的理论和方法，
其在实践中的可行性和效果。
THANKS
声学诊断法
要点一
总结词
通过测量轴承的声学信号，分析其频率和幅值等信息，判断轴承的故障类型和程度。
要点二
详细描述
声在轴承座或轴承端盖上安装声学传感器，采集轴承的声学信号，然后分析这些信号的频率和幅值等信息，可以判断轴承是否存在故障以及故障的类型和程度。常见的故障类型包括轴承内圈、外圈和滚动体的故障等。声学诊断法的优点是可以在线监测轴承的工作状态，但受环境噪声影响较大。

高阶时频分布在滚动轴承故障诊断中的应用研究

ｒ１一∞ Ｔ一１一 ∞
’
（３）
Ｓ（， …０一）ｈ ∞ｌ２９１
２００９年ｌＯ月１５日收到国家自然科学基金（１２０８０７资助６９２００３）
第一作者简介：郭雄伟（９４，１８一）湖北人，学生．士，硕研究方向：机
阶统计量）分析方法，根据振动信号不同频率的能量分布变化来诊断轴承故障的方法失效。这是由于无
多成功应用。高阶统计量应用于机械故障诊断的研
究，国内外也取得较多研究成果及工程应用４。＿
随机变量的ｋ阶矩和ｋ阶累积量定义
阶时频及其切片谱性能优于幅值谱。
关键词
高阶时频分布
切片谱
滚动轴承
故障诊断
中图法分类号Ｔ３１７；Ｐ９．７
文献标志码Ａ
滚动轴承是旋转机械中的重要部件，承的工轴作状况，直接影响设备的运行及功能。因此对轴承运行状态的检测及故障诊断意义重大。滚动轴承的
处理非高斯、非线性、非平稳信号的有力工具。近年
来随着理论研究的深入和计算机技术的飞速发展，已发展为信号处理的前沿学科，盲源分离、系统在盲
辨识、雷达、声纳、球物理、地生物医学等领域获得许
常见故障有外圈故障、内圈故障、滚动体故障、持保架故障等。故障轴承振动信号频带较宽，有调制、具非线性、高斯特性。使用传统的相关、率谱（非功二