共查询到16条相似文献,搜索用时 406 毫秒
1.
故障齿轮箱的振动信号中可能包含周期性的振幅和相位调制信号,在齿轮箱故障诊断中,解调成为一个重要的问题。在分析了齿轮振动信号的基础上,提出了一种基于希尔伯特变换和小波包节点能量法的故障诊断方法。通过一个包含调幅调相信息的仿真信号进行了验证,结果表明该方法能够有效提取调制信号,比使用小波包变换更有效。 相似文献
2.
小波变换在齿轮故障诊断中的应用 总被引:1,自引:0,他引:1
在分析小波变换理论和齿轮振动信号特点的基础上,提出用小波分析法提取齿轮故障特征。齿轮振动信号具有非平稳性,并且受各种噪声干扰,小波分析法具有处理非平稳信号的突出优点。在MATLAB环境中,建立了齿轮振动仿真信号,采用小波函数对受噪声污染的信号进行软阖值消噪处理,通过功率谱分析提取特征频率。仿真表明,该方法可有效抑制噪声,提取特征频率,从而为齿轮故障诊断提供依据。 相似文献
3.
矿用齿轮箱工作环境恶劣,发生故障时,故障信号常淹没在背景噪声中,直接做频谱分析,很难提取其故障特征。平移不变多小波能够有效地消除信号中的Gibbs现象,相邻系数降噪法充分考虑了小波系数之间的相关性,克服了传统阈值降噪的不足。论文将平移不变多小波相邻系数降噪方法应用到仿真加噪冲击信号,提取出隐藏在噪声中的冲击特征。然后将该方法应用于煤矿提升机齿轮箱的诊断中,诊断结果表明,平移不变多小波相邻系数降噪方法能够有效提取出齿轮箱的故障特征频率,为故障诊断提供了准确依据。仿真与工程应用验证了平移不变多小波相邻系数降噪方法在故障诊断中的有效性。 相似文献
4.
5.
6.
基于小波去噪和EMD的齿轮箱故障诊断研究 总被引:1,自引:0,他引:1
提出小波去噪和EMD相结合的齿轮箱故障诊断的新方法。该方法首先对原始信号进行小波阈值去噪,将去噪信号利用EMD方法分解为多个IMF分量,计算各IMF分量和原信号的互相关系数,选择互相关系数较大的IMF分量进行Hilbert包络谱分析,提取故障频率。以互相关准则提取IMF分量避免了IMF分量选择的盲目性。对实测齿轮箱故障信号进行了分析,结果表明该方法能够有效地识别齿轮箱故障频率。 相似文献
7.
8.
以小波变换、小波神经网络为工具,采用定子电流对HXD1B型机车的YQ1633异步牵引电动机开展牵引电机齿轮故障诊断研究。定子电流法相对于振动法更容易实施,有效克服了振动信号中包含的复杂干扰。由小波分析完成齿轮故障的特征量提取,通过神经网络对故障类型进行判断,实际测试表明,该方法具有较好的故障诊断性能。 相似文献
9.
10.
齿轮箱是煤炭机械设备中的关键部件,对齿轮箱进行故障诊断对于节约煤炭产业维护成本,降低损失有重要意义。但在实际工作中,齿轮由于工作条件上的限制,转速会产生波动,在不停地发生变化。传统的故障诊断技术只针对齿轮箱平稳运行的情况,根据平稳转速下固定的故障特征频率来判断故障。而变转速情况下,对应的齿轮箱故障特征频率也是变化的,采用传统的方法会造成频率混叠,不能有效实现对故障特征的提取。因此,采用运用连续小波变换以及时频分析方法来对煤炭机械设备中的齿轮箱进行机械故障诊断,实验分析证明了该方法的有效性。 相似文献
11.
振动分析是进行齿轮箱状态检测与故障诊断的重要手段。齿轮箱振动信号中常常含有大量噪声,这使得信号和噪声的频谱在频域内发生了重叠。研究适于齿轮箱振动信号处理方法。探讨基于负熵的FASTICA方法在齿轮箱机械故障特征提取中的应用,通过分析验证所研究的算法的有效性和适用性。 相似文献
12.
13.
提升机齿轮减速箱一旦发生故障,其振动信号表现出强烈的非平稳性,表现为复杂的调制现象,因强烈的噪声干扰,给故障特征提取带来了困难。介绍了基于经验模态分解(Empirical Mode Decomposition, EMD)与Teager-Kaiser能量算子(Teager-Kaiser Energy Operator,TKEO)解调相结合的提升机齿轮箱故障诊断方法,该方法结合了EMD自适应滤波和Teager-Kaiser能量算子非线性故障特征提取的优点。EMD方法可将齿轮箱振动信号分解成若干个局部频率从高到低不同频段的IMFs(Intrinsic Mode Functions),各个IMF突出了原始信号的某些局部特征,再对相对高频段且含有齿轮啮合频率及谐频的IMFs进行能量算子解调,成功提取了提升机齿轮箱中间轴旋转频率fr2的故障特征频率,诊断出了提升机齿轮箱中间轴上齿轮Z2和Z3的点蚀故障。分析结果表明,该方法能有效诊断出提升机齿轮箱的故障。 相似文献
14.
针对带式输送机齿轮箱故障信号成分复杂、故障识别难的问题,提出了基于自组织映射(SOM)网络的故障诊断方法。首先使用融入Shannon熵的小波降噪方法对齿轮箱振动信号进行预处理;然后利用齿轮箱不同状态的信号通过高斯混合分布模型对其参数使用最大期望算法进行估计,获得反映不同运行状态的特征向量;最后使用SOM网络对齿轮箱不同工况振动信号的特征进行分类识别,进而诊断出相应故障。结果表明:该方法可以有效地识别齿轮箱混合故障,总识别正确率达90%,其中有6种工况的识别正确率达100%。 相似文献
15.