共查询到20条相似文献,搜索用时 296 毫秒
1.
振动调幅调频信号的调制边频带分析及其解调方法 总被引:4,自引:6,他引:4
机械设备(如齿轮系统)中的振动信号,调幅现象和调频现象总是同时存在的,测得振动信号的频谱中通常包括有很多调制边频成分。而且不同于单一调幅或者单一调频情况下的对称调制边频带,当调幅和调频共同作用时,调制边频带一般都是不对称的。理论上分析调幅和调频共同作用时频谱中调制边频带不对称的原因,并采用广义检波滤波解调方法和循环自相关分析方法对其进行解调。仿真验证理论结果正确,并对滚动轴承实验信号和齿轮箱实测信号进行了分析。 相似文献
2.
3.
4.
齿轮箱发生某些故障时所产生的非平稳信号具有多分量调制的特点,啮合分量及倍频受噪声干扰影响严重且相互交叠,信号频带较宽异常复杂,给故障诊断带来了很大的障碍。在研究谐波小波频段分解与Hibert解调分析的基础上,提出了基于谐波小波包变换的解调分析法的实现过程。该方法首先对预处理后的信号进行三次样条插值并作必要的频谱分析;然后结合频谱特征与齿轮箱故障特征频率的理论计算值,确定所需提取的特征啮合分量;继而确定谐波小波包分解层数与提取的频带带宽,再通过傅立叶变换及反变换得到相应的特征啮合分量;最后采用Hilbert算子对提取出的啮合分量进行包络解调分析。将该方法应用到实际齿轮箱的磨损及点蚀故障的诊断试验中,验证了该方法对任意频段调制信息的精确提取能力,为齿轮箱故障源及故障程度的准确定位提供了可靠的判断依据。 相似文献
5.
6.
为降低齿轮箱振动信号频谱分析与故障识别的难度,提出了基于频谱核密度估计与密度函数相似性比较的齿轮箱故障诊断方法。首先针对齿轮箱的每一种故障状态采集多组振动信号,利用核密度估计方法对每组振动信号的频谱求取密度函数;然后选取一部分密度函数进行算术平均化,得到对应故障状态下的标准密度函数;最后根据测试振动信号频谱密度函数与各种故障状态标准密度函数之间的余弦相似度值与相关系数值,对齿轮箱的故障状态进行识别。试验结果表明:与振动信号的频谱相似性比较方法相比,所提方法对于齿轮箱故障状态的判别具有更高的准确率,同时对应于齿轮箱的不同故障状态,相关系数比余弦相似度显示出更大的差异性,具有更好的适用性。 相似文献
7.
基于同步平均与倒频谱编辑的齿轮箱滚动轴承故障特征量提取 总被引:1,自引:0,他引:1
《振动与冲击》2015,(21)
在齿轮箱振动信号中,由于滚动轴承早期故障信号相对较弱,传统的齿轮箱滚动轴承故障诊断方法通常难以有效地提取轴承故障信息。为实现滚动轴承故障特征的准确提取,本文提出了一种基于同步平均和倒频谱编辑的齿轮箱滚动轴承故障分离诊断方法。所提方法首先利用时域同步平均实现齿轮成分增强,并通过倒频谱获得齿轮成分对应的倒频谱线准确位置,然后对原信号的倒频谱进行编辑实现对其中齿轮成分的或削弱以突出信号中的滚动轴承故障特征,提高齿轮箱滚动轴承故障诊断的准确性。仿真和试验结果验证了该方法的有效性。 相似文献
8.
风电机组齿轮箱结构复杂,零部件多,可能产生复合故障。同一旋转轴上的不同零部件(齿轮、轴承等)的故障信息往往具有相同的转频边带频率成分,分布在信号频谱的不同频带中,倒频谱对边带频率信息进行了压缩处理,不能识别此类复合故障;基于窄带倒谱变换的思想,将变分模态分解(variational mode decomposition, VMD)应用到振动信号的对数谱中,提出了一种基于变分模态分解VMD倒频变换的方法,实现了对这一复合故障的精细诊断。通过仿真信号和风电场实例信号的验证,相比于窄带倒谱变换,该方法在有效区分此类风电机组齿轮箱复合故障的基础上,改善了频域和倒频域的分辨率,拥有更高的诊断定位精度。 相似文献
9.
为实现风电机组齿轮箱及时有效地监测和维护,提出基于小波包与倒频谱分析的风电机组齿轮箱齿轮裂纹诊断方法。该方法针对齿轮裂纹振动信号为转速频率对啮合频率及其倍频调制的特点,利用小波包分解来识别振动信号中的故障特征,通过小波包频带能量监测得到故障部位的啮合频率范围;考虑到倒频谱可以分离和提取难以识别的密集调制信号的周期成分,基于倒频谱识别故障部位的转速频率,综合利用两种频谱分析方法得到的啮合频率和转速频率,能诊断故障部位和类型。实验研究表明,该方法能精确地诊断齿轮裂纹故障,并可以实现对风电机组齿轮在复杂环境中退化状态的监测,预防断齿等重大故障的发生。 相似文献
10.
11.
齿轮箱非同步特征信号的提取方法研究 总被引:3,自引:0,他引:3
在分析时域平均的基础上,通过将齿轮箱输入轴瞬时速度的三次曲线拟合和信号重采样相结合,提出了非同步特征信号的时域平均提取方法.时域平均对从噪声中提取特定周期信号是比较有效的方法,但当信号的故障特征频率未知或存在多种故障时,该方法不能获得满意的诊断效果,而频域平均能较好的实现该类故障的特征提取.基于早期故障信号的特点,提出了将多分辨分析的经验模态分解方法与频域平均相结合的故障特征提取方法.试验结果表明,所提出的时频域平均方法能有效地实现齿轮箱非同步特征信号的提取. 相似文献
12.
行星齿轮箱振动信号具有明显的调制特点,幅值解调和频率解调分析能够有效提取其中的故障信息。生成微分方程(GDE)方法可以估计调制信号的幅值包络和瞬时频率,实现解调分析,但该方法需要信号满足单分量要求。实际行星齿轮箱振动信号通常由复杂多分量成分组成,为实现信号的幅值解调和频率解调分析,应用经验模式分解(EMD)将信号分解为单分量本质模式函数,基于生成微分方程计算瞬时频率和幅值包络,根据瞬时频率的波动特点选择本质模式函数作为敏感分量,由敏感分量的包络谱和瞬时频率的Fourier频谱识别故障特征频率。通过行星齿轮箱故障模拟实验数据分析验证了解调分析方法的效果。 相似文献
13.
14.
针对行星传动装置动态特性复杂、故障率高的问题,拟从动力学角度探索行星传动系统的故障机理。采用改进能量法,仿真分析正常与含裂纹齿轮时变啮合刚度,考虑时变啮合参数影响,运用集中参数法建立了行星齿轮传动系统动力学模型;求解得到了正常与含故障齿轮传动系统动态响应,并对比分析了裂纹故障对动力学特性的影响;通过台架实验,分析了裂纹故障对齿轮动态响应的影响,结合小波分析与EEMD方法对齿轮振动信号进行频谱分析,并对比分析了正常与故障齿轮的频域特性差异,揭示了行星齿轮传动系统的故障机理。研究表明:所建立的动力学模型精度较高,能够很好地描述含故障齿轮传动系统的动力学特性;由于裂纹故障引起传动系统振动的调制效应,导致在齿轮啮合频率附近出现明显边频带,故障齿轮箱的振动能量主要集中在高频段。 相似文献
15.
16.
针对变速齿轮箱中复合故障的故障特征提取,提出了一种基于阶次解调谱的变速齿轮箱复合故障诊断方法。变速齿轮箱中的转速具有时变的特性,而故障特征往往与转速相关,亦具有时变特性。本文方法先用线调频小波路径追踪算法从原始振动信号中提取转频曲线,再根据转频曲线对原始振动信号进行等角度重采样,将时域非平稳信号转化为角域周期平稳信号,最后对角域周期平稳信号进行能量算子解调分析,根据阶次解调谱中的调制信息进行变速齿轮箱复合故障诊断。通过算法仿真和应用实例对包含齿轮局部故障和轴承局部故障的变速齿轮箱复合故障进行了分析,结果表明,本文方法在无转速计的情况下能有效地提取变速齿轮箱复合故障的故障特征。 相似文献
17.
双线性时间-频率变换在时间域与频率域都具有较高的分辨率,有利于复杂背景条件下微弱瞬时信号的探测。研究发现,频谱图的分辨率较低,W igner-V ille分布存在很强的交叉项,不适合瞬时信号的检测。Cho i-W illiam s分布存在频率混叠及信息丢失现象,检测效果也不理想。提出了一种无混叠时频分布,能够避免CW D中的信息丢失,有效抑制交叉项,而且具有较高的分辨率。通过数字仿真与齿轮箱故障检测实例,证明新的时频分布能够有效检测复杂信号中的瞬时分量。 相似文献
18.
针对由噪声干扰和故障强度分布不均引起的齿轮箱复合故障诊断问题,论文提出了基于群分解和平均差值形态算子(Swarm Decomposition- Average Difference Filter,简称SWD-AVDIF)的齿轮箱复合故障诊断方法。首先运用群分解(Swarm Decomposition, 简称SWD)将齿轮箱振动信号分解为若干单一模态振荡分量(Oscillatory Components,简称OCs);然后对分量进行AVDIF解调,得到SWD-AVDIF解调谱;最后根据解调结果判别故障类型。与EMD对比,仿真信号验证了SWD方法在频率区分能力上的优越性;运用齿轮箱复合故障仿真信号和实验信号进行分析,结果表明该方法能够有效地分离不同故障信号并加强故障特征,为齿轮箱复合故障诊断提供了一种新的方法。 相似文献
19.
针对变转速下的齿轮箱中复合故障的故障特征提取,提出了一种基于线调频小波路径追踪算法与集合经验模式分解的齿轮箱复合故障诊断方法。该方法先用线调频小波路径追踪算法从原始振动信号中提取转频曲线,根据转频曲线对原始振动信号进行等角度重采样,将时域信号转化为角域信号,再对角域重采样信号进行集合经验模式分解,根据相关系数选取合适的内禀模态函数,最后对所选取的内禀模态函数分量进行Hilbert包络谱分析,根据包络谱进行齿轮箱复合故障诊断。通过算法仿真和应用实例对包含齿轮局部故障和轴承局部故障的变转速齿轮箱复合故障进行分析,结果表明,本文方法在无转速计的情况下能有效地提取变转速齿轮箱复合故障的特征。 相似文献
20.
风电机组齿轮箱结构复杂,当齿轮、轴承存在多故障时,由于各故障强弱不同、故障间相互耦合及噪声干扰,造成故障诊断准确率低及漏诊问题。提出了一种基于多点最优最小熵解卷积(multipoint optimal minimum entropy deconvolution adjusted,MOMEDA)和增强倒频谱的风电机组齿轮箱多故障诊断方法。依据齿轮和轴承不同部位的故障特征频率设置合理的解卷积周期,利用MOMEDA对原始信号进行预处理;再通过增强倒频谱进一步抑制噪声干扰和增强故障特征;将增强倒频谱中的突出成分与齿轮箱故障特征频率对比,判断故障类型。实际风电机组齿轮箱多故障振动试验数据分析结果表明,该方法可以有效地提取出齿轮箱多故障特征信息。 相似文献