书名：滚动轴承故障特征快速提取方法及应用
定价：68.0
ISBN：9787511477323
作者：王艳
版次：1
出版时间：2024-10

内容提要：
滚动轴承是现代工业设备中传递力矩及动力的核心*部件，其运行工况恶劣，是整个机械系统中可靠性*差的*部件，成为“水桶短板”，直接影响整个机械设备的运行*。本书针对滚动轴承故障特征信息通常被强烈背景噪声和非监测部位振动干扰所淹没以及轴承往往会出现复合故障并与噪声干扰相互作用的诊断难题，在对轴承故障振动信号特性进行充分分析的基础上，从信号降噪、解调、特征频率提取等方面提出了一系列新算法和新方案。同时，通过理论分析和实验结果验证了所提方法的有效性，通过与同类常用方法相比验证了所提方法的优越性。本书相关研究成果对丰富机械系统故障诊断理论，保证机械设备*运行，提高设备作业效率、生产质量、动态稳定性与使用寿命具有指导意义。



作者简介：
女，江苏人，工学博士。2010年6月毕业于长安大学机械电子工程专业，获工学学士学位；现在西安石油大智能机械系任职。研究方向：1. 工程机械振动测试与信息处理；2. 机械设备多源监测与智能故障诊断；3. 机电液系统设计理论与方法。

媒体评论：

滚动轴承被誉为“工业的关节”，因其低摩擦系数和高回转精度的特性，在航空航天、交通运输、风力发电等领域得到广泛应用。滚动轴承运行工况复杂，常因润滑油污染、过度负荷、漏电流等因素发生性能退化甚*导致故障。滚动轴承故障一旦萌生便容易迅速发展并恶化，若不能对故障做出快速*地判断，并及时采取补救措施，将会影响到其他*部件的正常运行，导致整个系统的瘫痪，从而造成经济损失、人员伤亡和负面社会影响。因此，需要在运行中对滚动轴承进行实时监测和在线诊断。滚动轴承的故障信号通常以存在周期性脉冲为特征，这些脉冲是调制的高频谐波分量。利用有效的信号处理技术，从调制信号中快速提取出滚动轴承故障特征，是实现滚动轴承实时监测和在线诊断的关键所在。然而，由于滚动轴承实际运行工况复杂，传感器采集到的信号中往往会混入大量背景噪声和干扰成分，使得表征轴承故障的脉冲信号被淹没，特别是轴承出现复合故障时，多种复合故障与噪声干扰相互耦合，采用传统方法难以有效提取出轴承故障特征，影响轴承在线监测和诊断的效果。基于以上背景，本书从信号降噪、解调、特征频率提取等方面提出了一系列新算法和新方案

目录：

 

1 概 述  

1.1滚动轴承故障诊断的意义  

1.2 滚动轴承振动特性分析基础  

1.2.1 滚动轴承振动源及信号特征  

1.2.2 滚动轴承故障振动信号特点  

1.3 滚动轴承故障诊断中几个关键问题的硏究现状  

1.3.1 信号降噪方法的研究现状  

1.3.2 特征增强方法的研究现状  

1.3.3 解调方法的研究现状  

1.3.3 早期微弱故障诊断的研究现状  

2 基于IFNLM和SHO-AEO的轴承故障特征快速提取  

2.1 NLM降噪算法  

2.2 改进的快速NLM 降噪算法  

2.2.1相似性度量标准的优化  

2.2.2改进的核函数  

2.2.3 IFNLM基本参数设置  

2.2.4 IFNLM算法的性能分析  

2.3基本能量算子回顾  

2.3.1 Teager能量算子  

2.3.2 对称差分能量算子(SDEO)  

2.3.3 解析能量算子(AEO)  

2.4 对称高阶差分解析能量算子(SHO-AEO)  

2.4.1 SHO-AEO的理论推导  

2.4.2 SHO-AEO阶次m的确定  

2.4.3 SHO-AEO解调性能  

2.5 IFNLM-SHOAEO方法的技术路线  

2.6仿真验证和分析  

2.6.1低噪声水平的轴承故障特征提取  

2.6.2 中等噪声水平的轴承故障特征提取  

2.6.3 高噪声水平的轴承故障特征提取  

2.7 实验验证和分析  

2.7.1 内圈故障特征提取  

2.7.2 外圈故障特征提取  

2.8 本章小结  

3 基于HTFIF和k-SDAEO的轴承故障特征快提取  

3.1 硬阈值快速迭代滤波HTFIF  

3.1.1 HTFIF基本理论  

3.1.2 性能比较  

3.2 敏感IMF选择的L-KCA指标  

3.2.1 L-KCA基本理论  

3.2.2 性质讨论  

3.3 k值改进的对称差分解析能量算子  

3.3.1 k-SDAEO的基本原理  

3.3.2 k-SDAEO的信噪比增强  

3.4 所提HTFIF-k-SDAEO方法的步骤  

3.5 仿真验证和分析  

3.5.1 故障轴承的模拟信号  

3.5.2 低噪声水平的轴承故障特征提取  

3.5.3 高噪声水平的轴承故障特征提取  

3.5.4 高噪声水平和谐波干扰并存的故障特征提取  

3.6 实验验证和分析  

3.6.1 实验装置  

3.6.2 外圈故障特征提取  

3.6.3 内圈故障特征提取  

3.6.4 滚动体故障特征提取  

3.7 本章小结  

4 基于SOSO增强技术的滚动轴承微弱故障特征提取  

4.1 增强算法的技术背景  

4.2 IFNLM去噪算法的SOSO增强  

4.2.1 SOSO_ IFNLM增强算法的实现  

4.2.2 SOSO增强算法的性能  

4.3 对称高阶频率加权能量算子  

4.3.1 SHFWEO理论推导  

4.3.2 SHFWEO性质讨论  

4.4 SOSO_IFNLM-SHFWEO的技术路线  

4.5 仿真验证和分析  

4.6 实验验证和分析  

4.6.1 实验一  

4.6.2 实验二  

4.7 本章小结  

5 振动筛轴承单点故障诊断案列  

5.1 振动筛试验平台  

5.1.1 振动筛的结构和工作原理  

5.1.2 直线振动筛轴承受力分析  

5.1.3 振动信号采集系统  

5.2 激振器轴承故障诊断试验  

5.2.1试验内容  

5.2.2 数据采集  

5.2.3 试验结果分析  

5.3 基于激振器故障轴承的算法比较  

5.3.1 三种诊断方法的比较  

5.3.2 三种能量算子的比较  

5.4 本章小结  

6 基于振动筛的复合故障诊断实例  

6.1 SOSO_IFNLM-HTFIF-SHFWEO复合故障诊断方法  

6.2 k-SHFWEO的理论推导  

6.3振动筛轴承复合故障诊断实验  

6.4 本章小结  

7 滚动轴承故障诊断方法发展探讨  

7.1成果总结  

7.2发展探讨  

参考文献