滚动轴承故障诊断方法开题报告
- 格式:doc
- 大小:26.50 KB
- 文档页数:3
基于虚拟仪器技术的滚动轴承故障检测系统的研究的开题报告一、选题背景及研究意义滚动轴承是机械设备中常见的关键部件之一,其故障对于设备的稳定运行会产生重大的影响。
因此,在实际生产中,对滚动轴承的故障检测具有十分重要的意义。
传统的滚动轴承故障检测方法需要耗费大量的时间和人力,且数据采集精度和实时性较差。
而虚拟仪器技术的出现,为滚动轴承故障检测带来了新的思路和技术手段,可以有效地提高故障检测的精度和效率。
因此,本课题旨在基于虚拟仪器技术,设计并开发一套滚动轴承故障检测系统,能够对滚动轴承进行快速准确的故障检测,从而实现设备的安全稳定运行。
二、研究内容及研究方法1.研究内容(1)识别滚动轴承的故障类型。
通过虚拟仪器技术获取滚动轴承的振动信号,并利用信号处理技术进行故障特征提取和分析,实现对滚动轴承的故障类型识别。
(2)设计并开发系统。
基于虚拟仪器技术,设计并开发一套滚动轴承故障检测系统。
该系统包括数据采集、信号处理、特征提取、故障诊断等模块,能够快速准确地识别滚动轴承的故障类型,提高检测精度和效率。
2.研究方法本课题采用以下方法:(1)理论研究:对滚动轴承的工作原理和故障诊断技术进行深入研究。
(2)实验研究:通过实验采集不同工况下滚动轴承的振动信号,并进行信号处理和特征提取,分析故障特征和识别故障类型。
(3)系统设计与开发:基于虚拟仪器技术,设计并开发一套滚动轴承故障检测系统,实现全自动化、快速准确地识别滚动轴承的故障类型。
三、预期成果1.滚动轴承故障检测方法的优化,提高检测精度和效率。
2.设计并开发一套滚动轴承故障检测系统,实现全自动化、快速准确地识别滚动轴承的故障类型。
四、研究计划及进度安排1.研究计划:(1)前期准备:2021年5月~2021年6月,主要完成背景和意义的调研和分析,细化选题。
(2)理论研究和实验研究:2021年6月~2022年3月,主要完成滚动轴承的工作原理和故障诊断技术的理论研究,并进行实验研究,采集滚动轴承的振动信号,进行信号处理和特征提取。
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。
关于滚动轴承故障诊断方法的研究课程:学院:班级:指导教师:姓名:学号:完成日期:2015年12月15日目录第一章研究背景1进行滚动轴承故障检测与诊断的背景与意义 (01)1.1滚动轴承故障检测与诊断领域背景 (01)1.2进行滚动轴承故障检测与诊断的意义 (01)2常见的滚动轴承结构 (01)3常见的滚动轴承故障形式 (02)4滚动轴承故障监测与诊断的一般步骤 (03)4.1常见的滚动轴承故障信息获取方法 (04)4.1.1温度监测法 (04)4.1.2振动监测法 (04)4.1.3油液监测法 (04)4.1.4光纤监测法 (04)4.1.5声发射法 (05)4.2常见的滚动轴承故障特征提取方法 (05)4.2.1基于传统时域统计参数的特征提取 (05)4.2.2基于频域和时频分析特征提取 (05)4.2.3基于非线性参数的特征提取 (05)4.3常见的滚动轴承故障状态模式识别 (06)4.3.1人工神经网络 (06)4.3.2隐马尔可夫模型 (07)4.3.3支持向量机 (07)5常见的用于滚动轴承故障检测与诊断的传感器 (07)5.1传感器的灵敏度 (07)5.2滚动轴承故障诊断领域中用到的振动传感器 (08)5.3滚动轴承故障诊断领域中用到的加速度传感器 (08)5.4滚动轴承故障诊断领域中用到的压电式加速度传感器 (08)6常用的滚动轴承故障诊断与检测的分析方法 (09)6.1基于流行学习法的滚动轴承故障诊断和检测方法 (09)6.2基于无量纲指标与波谱分析的滚动轴承故障诊断方法 (10)6.3基于谱峭度及原子分解的滚动轴承故障诊断方法 (10)6.4基于模型辨识的滚动轴承故障诊断方法 (10)6.5基于EMD的滚动轴承故障灰色诊断方法 (11)6.6基于近邻元分析的滚动轴承故障诊断方法 (11)6.7基于LMD的滚动轴承故障诊断方法 (11)6.8基于BP神经网络的滚动轴承故障诊断方法 (12)6.9基于量子遗传算法和谱峭度法相结合的滚动轴承故障诊断方法 (12)6.10基于EMD和相关系数的希尔伯特振动分解滚动轴承检测方法 (12)6.11基于奇异谱分析和连续隐马尔可夫模型的故障诊断方法 (12)6.12基于改进的固有时间尺度分解和鲁棒回归变量预测模式诊断 (13)6.13基于多尺度模糊熵变预测模型的滚动轴承故障诊断方法 (13)7本文思路及容安排 (13)第二章滚动轴承故障检测与诊断1系统设计与滚动轴承故障信息获取 (14)2原始数据零均值化处理 (14)2.1数据零均值化的意义 (14)2.2时域中零均值化效果 (14)2.3频域中零均值化效果 (15)3滚动轴承故障诊断与检测分析方法 (16)3.1时域分析法 (16)3.1.1时域特征值提取 (18)3.1.2时域特征值归一化处理 (18)3.1.3时域特征比较 (21)3.2频域分析法 (21)3.2.1频域特征提取 (24)3.2.2频域特征值归一化处理 (26)3.2.3频域特征比较 (28)4滚动轴承故障诊断与检测模式识别 (29)4.1 BP神经网络 (30)4.2输入层、输出层和隐层的设计 (31)4.3 BP神经网络的识别和测试 (31)4.3.1数据预处理 (31)4.3.2神经网络识别 (32)4.3.3神经网络测试 (35)5误差分析与综合评价 (35)5.1方案设计与误差分析 (35)5.2综合评价 (35)6方案优化与能力提升思考 (36)6.1针对本文方案的优化 (36)6.1.1故障信息获取手段的优化 (36)6.1.2故障特征提取手段的优化 (36)6.1.3故障模式识别手段的优化 (38)6.2对成分复杂的原始振动信号进行分析 (38)6.3当需要精确判断故障发生的位置时 (38)第三章结束语参考文献 (39)附录MATLAB程序代码 (41)第一章研究背景一、进行滚动轴承故障检测与诊断的背景与意义1.1滚动轴承故障检测与诊断领域背景通过查阅文献[1]相关案例,可以很容易地得到一种结论:随着工业的发展进步,旋转机械日益向集成化、大型化、高速化和智能化的方向发展。
滚动轴承故障诊断1(之国外专家版)滚动轴承故障现代工业通用机械都配备了相当数量的滚动轴承。
一般说来,滚动轴承都是机器中最精密的部件。
通常情况下,它们的公差都保持在机器的其余部件的公差的十分之一。
但是,多年的实践经验表明,只有10%以下的轴承能够运行到设计寿命年限。
而大约40%的轴承失效是由于润滑引起的故障,30%失效是由于不对中或“卡住”等装配失误,还有20%的失效是由过载使用或制造上缺陷等其它原因所致。
如果机器都进行了精确对中和精确平衡,不在共振频率附近运转,并且轴承润滑良好,那么机器运行就会非常可*。
机器的实际寿命也会接近其设计寿命。
然而遗憾的是,大多数工业现场都没有做到这些。
因此有很多轴承都因为磨损而永久失效。
你的工作是要检测出早期症状并估计故障的严重程度。
振动分析和磨损颗粒分析都是很好的诊断方法。
1、频谱特征故障轴承会产生与1X基频倍数不完全相同的振动分量——换言之,它们不是同步的分量。
对振动分析人员而言,如果在振动频谱中发现不同步分量那么极有可能是轴承出现故障的警告信号。
振动分析人员应该马上诊断并排除是否是其它故障引起的这些不同步分量。
如果看到不同步的波峰,那极有可能与轴承磨损相关。
如果同时还有谐波和边频带出现,那么轴承磨损的可能性就非常大——这时候你甚至不需要再去了解轴承准确的扰动频率。
2、扰动频率计算有四个与轴承相关的扰动频率:球过内圈频率(BPI)、球过外圈频率(BPO)、保持架频率(FT)和球的自旋频率(BS)。
轴承的四个物理参数:球的数量、球的直径、节径和接触角。
其中,BPI 和BPO的和等于滚珠/滚柱的数量。
例如,如果BPO等于3.2 X,BPI等于4.8 X,那么滚珠/滚柱的数量必定是8。
轴承扰动频率的计算公式如下:注意:BS的值可能会加倍,因为所给的公式针对的是球撞击内圈或外圈的情况。
如果有庇点的滚球/滚柱同时撞击内圈和外圈,那么其频率值应该加倍。
需要说明的是由于受到各种实际情况如滑动、打滑、磨损、轴承各参数的不精确(如直径可能不完全精确)等的影响,我们所计算出来的频率值可能会与真实值有小范围的差异。
基于稀疏分解的滚动轴承故障定量诊断研究的开题报告一、研究背景滚动轴承作为机械运转中重要的零部件之一,其故障会影响整个机组的正常运转,甚至引发严重事故。
因此,对滚动轴承的故障进行及时的监测与诊断是至关重要的。
目前,已有很多基于振动信号的诊断方法被提出,但是传统的传统的特征提取方法需要依赖高精度的传感器以及频域和时域特征提取算法,导致其应用受到一定的限制。
稀疏分解技术是近年来发展起来的一种新型的特征提取方法,其可以从原始数据中提取微小或者隐藏的故障特征,从而提高故障诊断的准确性。
在滚动轴承故障诊断中,稀疏分解技术已经得到了广泛应用,并取得了一系列有益的成果。
本文将基于稀疏分解技术对滚动轴承进行故障定量诊断研究,进一步提高故障监测与诊断的准确率和可靠性,为滚动轴承的健康管理提供有效的理论支撑。
二、研究内容和方法本文的研究内容主要包括以下几个方面:1. 对滚动轴承进行实验数据采集,并对其进行预处理得到有效的原始数据。
2. 探究稀疏分解技术在滚动轴承故障诊断中的应用,基于稀疏分解方法提取出故障特征信号。
3. 统计分析特征提取结果,并对不同的故障类型进行分类和识别。
4. 结合机器学习算法,建立故障分类模型,实现自动化的故障诊断。
研究方法主要是基于数据采集和信号处理技术,结合统计分析和机器学习算法,进行滚动轴承故障诊断研究。
具体的操作流程为:首先对滚动轴承进行实验数据采集,并进行预处理得到原始数据。
然后,基于稀疏分解技术进行特征提取,并统计分析得到故障特征。
接着,结合机器学习算法,建立故障分类模型,实现自动化的故障诊断。
三、研究意义本文的研究意义主要有以下几个方面:1. 深入探讨了稀疏分解技术在滚动轴承故障诊断中的应用,为故障诊断提供了新思路和方法。
2. 基于稀疏分解方法对滚动轴承进行故障定量诊断,可以提高故障诊断的准确性和可靠性,降低运维成本和安全风险。
3. 建立故障分类模型,可以实现故障诊断的自动化,减轻维护人员的负担,提高运维效率。
基于音频信号的滚动轴承智能故障诊断方法研究的开题报告【摘要】滚动轴承作为机械装置中不可或缺的部分,一旦发生故障,会对整个系统的运行产生重大影响。
因此,如何准确快速地诊断滚动轴承故障成为目前学术界和工业界广泛关注的问题。
本文基于音频信号分析技术,提出了一种滚动轴承智能故障诊断方法,以期为滚动轴承故障诊断提供新的思路和手段。
本文首先介绍滚动轴承的基本结构和运行原理,然后简要阐述了常见的滚动轴承故障模式。
接着,阐述了基于信号处理的滚动轴承故障诊断方法的基本流程和关键技术,包括数据采集、信号处理、特征提取和故障分类。
其中,信号处理和特征提取是核心技术,本文将重点介绍短时傅里叶变换、小波分析等信号处理技术和频域、时域等特征提取方法。
最后,对该方法未来的研究方向和应用前景进行了展望。
本文提出的故障诊断方法具有高准确性、高鲁棒性等优点,可以在工业实践中得到广泛应用。
同时,该方法也有很大的研究价值,可以为滚动轴承故障预测和寿命评估等问题提供理论支持和实践指导。
【关键词】滚动轴承;智能故障诊断;音频信号;信号处理;特征提取【中文摘要】滚动轴承是机械设备中的重要组成部分,它的故障会对整个系统的运行产生重要影响。
因此,如何准确快速地诊断滚动轴承故障成为目前学术界和工业界广泛关注的问题。
本文提出了一种基于音频信号的滚动轴承智能故障诊断方法。
该方法具有高准确性、高鲁棒性等优点,可在工业实践中得到广泛应用。
本文阐述了该方法的基本流程和关键技术,包括数据采集、信号处理、特征提取和故障分类。
同时,对该方法的未来研究方向和应用前景进行了展望。
【关键词】滚动轴承;智能故障诊断;音频信号;信号处理;特征提取。
基于EMD的滚动轴承故障诊断方法研究的开题报告一、选题背景滚动轴承是工业领域中常用的重要零件,其功能是支撑机械的运转,并为运动提供支撑和转动。
正常运转下的滚动轴承,具有高效、稳定、可耐久使用的特点,是工业生产中必不可少的组成部分。
然而,受到使用环境、工艺制造等因素影响,滚动轴承容易发生故障,影响机械设备的正常运转。
传统的滚动轴承故障诊断主要采用振动信号分析,但该方法存在着提取有效信号、降低环境噪声等问题,同时存在着成本昂贵、需要具有专业知识的缺点。
近年来,随着EMD(经验模态分解)算法的发展,其在信号分析方面逐渐得到应用。
因此,本文以滚动轴承为对象,探索基于EMD的滚动轴承故障诊断方法,提高滚动轴承故障的判定准确度和效率,为工业生产提供便利。
二、研究目的本研究旨在:(1)探究基于EMD的滚动轴承故障诊断方法,分析其原理及应用特点。
(2)选取相关参数进行滚动轴承故障诊断,并通过算法模型建立故障判定模型,实现故障预警和预测。
(3)预防滚动轴承故障的发生,提高其使用寿命与可靠性。
三、研究内容本文将围绕以下几个方面进行研究:(1)EMD理论的介绍,包括EMD基本原理、模态函数获取方法、以及模态函数重构方法等。
(2)滚动轴承故障诊断相关信号参数的获取与分析,包括振动信号、电流信号等。
(3)基于EMD的滚动轴承故障诊断方法的建立,包括故障信号的特征提取及处理、分类器的选择、模型的训练和优化等。
(4)验证所建立的方法的正确性和有效性,通过实验数据进行验证。
四、研究意义随着工业技术的不断进步和机械设备的不断完善,滚动轴承作为关键部件之一,其在工业制造中的重要性日益凸显。
探索基于EMD的滚动轴承故障诊断方法,能够更好地提高滚动轴承故障识别的效率和准确性,为预防设备事故、提高设备运转率和节能减排等方面都具有重要的意义。
同时,基于EMD的故障诊断方法也有着更广泛的应用前景,可以推广到其他领域的机械设备故障诊断领域。
五、研究方法本文研究方法主要采用实验分析法和计算机模拟法。
滚动轴承故障诊断算法及软件的开题报告一、选题背景与意义随着工业的发展和科技的进步,机械装置的应用越来越广泛,滚动轴承作为一种重要的旋转机械部件被广泛应用于各个领域。
在机械系统中,滚动轴承的健康状态对于机械装置的性能和寿命具有极为重要的影响。
因此,滚动轴承故障的诊断和预测成为了研究的热点。
目前,滚动轴承故障诊断领域涌现了许多优秀的算法,如谱分析法、小波分析法、时频分析法等,这些方法可以有效地实现滚动轴承故障的诊断。
但是,针对不同类型的故障,其信号的特征也不同,需要使用不同的信号处理方法进行处理。
并且,许多算法需要专业的信号处理技术和领域知识,因此对于一些不熟悉滚动轴承故障的工程师来说,这些算法并不容易掌握。
因此,开发一种滚动轴承故障诊断算法并将其实现为软件将能够为工程师们提供更为方便和可靠的故障诊断方法,帮助工程师们更好地维护和管理机械装置,提高机械装置的可靠性和工作效率。
二、研究目标本研究旨在开发一种基于信号特征分析的滚动轴承故障诊断算法,并将其实现为软件。
具体研究目标包括:1.研究不同类型的滚动轴承故障信号的特征,选择适合该类型故障的信号处理方法;2.设计并实现一个基于信号特征分析的滚动轴承故障诊断算法;3.开发一个简单易用的滚动轴承故障诊断软件,具有可视化界面和故障诊断报告输出等功能。
三、研究内容1.收集滚动轴承故障信号数据,包括正常运转信号和不同类型故障信号;2.研究滚动轴承不同类型故障信号的特征,确定适合该类型故障的信号处理方法;3.设计基于信号特征分析的滚动轴承故障诊断算法;4.使用MATLAB编程实现算法,并测试算法的性能;5.根据算法开发滚动轴承故障诊断软件,并加入可视化界面设置、数据导入、信号处理、故障诊断报告输出等功能。
四、论文结构安排本文将分为以下几个部分:1.绪论。
对滚动轴承故障诊断的意义和研究现状进行介绍,并阐述本文的研究目的和内容;2.相关理论。
介绍滚动轴承的基本结构和工作原理,以及信号处理和故障诊断的相关理论;3.算法设计。
广州大学学生实验报告开课学院及实验室: 526室2015年12月26日学院机械与电气工程学院年级、专业、班机械121 姓名吴海明学号1207200014实验课程名称机械故障诊断技术成绩实验项目名称滚动轴承频谱分析及故障诊断指导老师郑文一、实验目的1、进一步熟悉常用信号分析仪器的使用;2、了解常规滚动轴承的结构、特征频率及安装;3、掌握滚动轴承的振动测量及分析方法。
通过运用振动分析手段,完成滚动轴承振动信号的测量及分析,从而提高学生进行数据采集、滚动轴承振动分析及状态评估、故障判断等方面的能力。
二、实验设备1、列出所用振动分析仪器、软件、传感器、温度测试仪器的名称、型号、用途等;●正常滚动轴承型号为:NTN6201●加速度传感器●Data line数据采集器;●ODYSSEY系统;2、振动试验台。
轴承故障模块:故障模块中使用的是6024轴承,并利用特殊方法对轴承进行了故障处理。
轴承模块也设计成方便安装的方式(如图所示),可以快速方便的安装在齿轮箱的输入轴上。
在轴承故障模块的顶部有一个英制螺孔(1/4”-28),用来安装传感器。
轴承模块安装图如下:1、齿轮箱体2、输入轴3、故障轴承4、轴承盖5、M8紧固螺钉6、压紧垫片7、轴承基座8、加载螺钉9、橡胶垫片图轴承故障模块安装示意图三、实验要求1.熟悉实验流程及安全操作要求,实验前正确校准系统。
2.实验过程要清楚各轴承所对应参数的故障频率测量。
3.实验后各轴承按次放回原来位置。
4、绘出振动试验台的结构简图,列出主要结构参数,如电机参数、轴承型号、传动比等。
5、画出测试系统的连接框图。
6、绘出振动试验台测点布置图,说明测量的位置、方向及传感器安装方法等。
7、计算各特征频率,如转速,不平衡、对中不良及轴承损坏等的特征频率。
四、实验操作过程1、仪器连接;2、测试参数选择,如频率范围(要求能测量滚动轴承的各主要频率成分)3、调整齿轮箱大齿轮的位置,使其处于非啮合状态。