軸承是機械設備中支撐轉軸運轉的重要零部件，被***運用于交通、工程機械等重要領域。隨著機械設備對旋轉速度以及載荷要求的逐步提高，對軸承的性能要求也隨之升高，其一旦出現故障，機械設備就無法正常運行，造成經濟損失及人員傷亡。因此，及時準確診斷軸承故障變得很有必要。但是，軸承運行環境中的噪聲較大，采集到軸承微弱故障的振動信號中含有大量的信號冗余軸承的運行狀態就變得較為困難，因此，需要合理且有效地振動信號處理方法提取軸承的故障特征，這故障診斷的關鍵，BTS100軸承壽命預測測試臺，主要由三相異步電動機，聯軸器，雙支撐軸承座單元，測試軸承、溫度監測模塊、轉速調節及轉速顯示模塊，徑向及軸向液壓油站加載系統、負載顯示模塊，轉速脈沖輸出模塊，等模塊組成。介紹增速齒輪箱故障機理研究模擬實驗臺的組成部分。診斷故障故障機理研究模擬實驗臺定制

VALENIAN智能診斷平臺的智能診斷對故障信息進行精細診斷，的診斷方法，是精細診斷的有效手段：●圖譜：趨勢圖、波形圖、頻譜圖、棒圖、數字表、儀表盤、圖片、模型、視頻、表格、報警日歷、狀態統計●時域分析：重采樣、IIR數字濾波、FIR數字濾波、一次積分、二次積分、一次微分、二次微分、相關分析、協方差分析、虛擬計算●幅值域分析：統計分析、幅值分析、雨流分析●頻域分析：頻譜分析、自功率譜、自功率譜密度、互功率譜密度、倒譜分析、頻域積分●階次分析：整周期采樣、階次譜、軸心軌跡、振動列表、極坐標、伯德圖、軸心位置圖、級聯圖、瀑布圖●包絡分析：包絡波形、包絡譜●聲學分析：聲壓分析、聲強分析、聲功率分析●模態分析：時域ODS、頻域ODS●工程應用：應變花計算、扭矩分析、軸功率分析、扭振分析、索力計算、小波分析山東故障機理研究模擬實驗臺批發故障機理研究模擬實驗臺是故障研究的前沿陣地。

DC24階次分析軟件特點?采用先進的數字跟蹤濾波和重采樣技術，對振動信號進行整周期采樣，實現無泄露、極陡峭的階次分析?每個瞬態信號都能連續進行采集、分析和保存，保證了數據的完整性?數據實時顯示、分析和處理，也可事后分析包絡分析功能特點?軟件包絡解調?通過包絡解調技術，實時測量，實時顯示包絡譜扭振分析功能特點?實時扭振角速度、角度計算與顯示?支持扭振徑向誤差修正，提高測試精度?實時扭振時程曲線、實時扭振角程曲線?實時頻域分析和顯示?扭振模態計算、分析和顯示

軸承故障診斷方法，并用仿真信號和實際軸承振動信號對所提方法進行了驗證，結果表明該方法能夠準確地提取出軸承故障特征數據，進而實現軸承故障的精確診斷。）綜合考慮了軸承故障的周期性、沖擊性以及與原始信號相關性的特點，構建了信息熵、峭度、相關系數的目標函數以及綜合評價指標，通過目標函數和綜合評價指標選取并確定了比較好的參數組合。（3）利用綜合評價指標選取比較好的IMF，通過實驗信號和仿真信號的分析，表明選取的比較好IMF含有較豐富的軸承故障信息，能夠實現軸承故障位置的精確診斷。不同故障類型電機電流信號，以及振動頻譜信號與正常電機的信號之間的對比。?負載對于故障電機振動現象的影響；?不同類型的電機缺陷對于振動信號的敏感性；?在變頻器模式下，振動頻譜信號的干擾識別；?轉子不平衡的識別，以及對振動影響；?采用振動頻譜分析對于軸承故障的識別；?設備基礎松動現象的研究與識別；?不對中對設備振動及噪聲的影響；?電機在不同模式下運行的振動信號對比（直接驅動與變頻器驅動）；?頻譜分析與信號處理的學習；滑動軸承油膜故障機理研究模擬實驗臺。

：為了解決變分模態分解的參數選取問題并更準確的提取軸承故障特征信息，提出了一種多目標優化變分模態分解（VMD）的軸承故障診斷方法。建立了以信息熵、相關系數和峭度的目標函數以及綜合評價指標，將VMD的參數優化問題轉換成多目標優化的帕累托（Pareto）問題。首先，利用多目標粒子群優化算法（MOPSO）對三個目標函數進行尋優，得到VMD參數組合的比較好Pareto解集；其次，對Pareto解集用綜合評價指標對其進行評價，確定出VMD的比較好參數組合；利用已確定的比較好參數組合對軸承故障信號進行VMD分解，得到若干本征模態分量（IMFs）；再利用綜合評價指標選擇出比較好IMF，提取故障特征。仿真信號和實際軸承振動信號分析結果表明所提方法的有效性。關鍵詞：變分模態分解；故障診斷；信息熵；峭度；多目標粒子群優化算法故障機理研究模擬實驗臺在研究中發揮著關鍵作用。江西故障機理研究模擬實驗臺圖片

增速齒輪箱故障機理研究模擬實驗臺。診斷故障故障機理研究模擬實驗臺定制

針對滾動軸承故障類型和損傷程度難以識別的問題，提出一種基于變分模態分解（VariationalModeDecomposition,VMD）和Gath-Geva（GG）模糊聚類相結合的滾動軸承故障分類方法。該方法通過對已知滾動軸承故障信號進行VMD分解，利用分量頻率中心的大小確定分解模態的數量，將所得本征模態分量組成初始特征矩陣進行奇異值分解；選取3個比較大奇異值作為GG聚類算法的輸入，得到已知故障信號的隸屬度矩陣和聚類中心；通過待測信號初始隸屬度矩陣與已知故障信號聚類中心之間的海明貼近度識別滾動軸承的故障類型和損傷程度。通過滾動軸承振動數據對所述方法的有效性進行驗證，瓦倫尼安教學設備桌面式齒輪故障教學平臺便攜式轉子軸承教學實驗臺桌面式轉子軸承故障教學平臺轉子動力學研究實驗臺故障機理研究教學平臺轉子軸承綜合故障模擬實驗臺診斷臺轉子軸承教學平臺診斷故障故障機理研究模擬實驗臺定制