排序方式: 共有5条查询结果,搜索用时 80 毫秒
1
1.
针对齿轮箱早期微弱故障特征受其他扰动信号干扰而难于提取的问题,提出一种全矢理论结合广义S变换的方法用于提高微弱故障特征的区分度。该方法是以全矢理论将相互垂直的双通道振动信号进行融合,保证信号源信息的完整,继而利用广义S变换具有根据时频聚集性度量准则自适应地获取信号最佳时频谱的优势,实现融合信号的二维时频表示,以时频序列的能量矩阵构建区分齿轮工作状态的故障特征。通过风电机组齿轮箱在点蚀、裂纹和均匀磨损3种微弱故障状态下的各20组实验,验证了全矢S变换在微弱故障特征提取中的优势。 相似文献
2.
3.
4.
随机工况下,转速和负载的不同会改变振动信号的幅频调制特性,使得风电机组齿轮箱局部微弱故障的诊断难度急剧增大,针对于此,提出采用不同的恒定工况替代随机工况,以归一化全矢频带能量实现随机工况下齿轮箱微弱故障的诊断。方法首先将随机工况分解成不同的恒定工况的组合,降低工况的维数,针对各恒定工况,采用全矢理论将同源信号进行融合,以保证微弱信号源信息的完整性,再利用FIR滤波对全矢信号进行分解,消除因工况的不同所造成的模态混叠的影响。考虑到转频处的频带能量能定量区分不同的工况,频带能量的变化率能实现齿轮工作状态的区分,而信息熵能准确反映信号激励源和激励方式的区别,提取各频带能量熵之和、转频处的频带能量及频带能量的变化率作为区分齿轮工作状态的特征向量,消除工况变化所造成的诊断干扰的同时有利于实现各种工况下的故障模式识别,达到随机工况下齿轮微弱故障诊断的目的。最后采用高斯混合模型对风电机组齿轮箱随机工况下的150组振动信号进行特征描述,运用最大贝叶斯分类器实现故障识别,故障识别率表明该方法可有效的识别随机工况下的齿轮早期局部微弱故障。 相似文献
5.
准确提取振动信号特征,是齿轮故障诊断的关键问题。为此,提出了一种基于S变换能量分布特征和SVM的故障诊断方法。首先对齿轮故障信号进行S变换得到时频矩阵,然后利用该矩阵构建能量分布特征。最后建立SVM齿轮故障识别模型,将对应的特征样本输入到模型中进行训练和识别,以达到对齿轮故障的准确分类。将所提出的方法应用于齿轮故障检测和诊断。通过实际故障实验数据对所提方法进行了验证。结果表明,该方法能够有效地降低噪声的影响,能够准确地识别齿轮故障,具有较高的准确率和使用价值。 相似文献
1