排序方式: 共有96条查询结果,搜索用时 15 毫秒
1.
针对低转速齿轮箱齿轮故障特征频率低、故障特征频率易被背景噪声淹没,使其难以准确提取的问题,提出了基于参数优化的变分模态分解(parameter optimization variational mode decomposition,简称POVMD)和循环自相关函数(cyclic autocorrelation function,简称CAF)结合的故障诊断方法。首先,通过POVMD对原始信号进行分解,选用余弦相似度度量选取敏感的本征模态函数(intrinsic mode function,简称IMF);其次,计算其循环自相关函数谱,获得包含调制特征的循环自相关函数谱切片;最后,使用Teager能量算子(Teager energy operator,简称TEO)算法对切片解调,提取故障特征频率。同时将本方法与相关方法进行了对比分析,特征频率提取效果更加显著,仿真信号和实验数据分析验证了该方法的有效性和可靠性。 相似文献
2.
在某柴油发动机缸体柔性生产线的验收和试生产过程中,针对生产线所用关键设备某卧式加工中心,运用Cmk(机器能力指数)分析方法分析其加工能力,量化评估其加工精度的稳定性水平。给出了加工数据的采样方案和注意事项,在此基础上开展案例研究。对一组工件进行了连续试切和精度数据采集试验,通过数据分析得出了加工精度的正态分布直方图和Cmk值。最后对比分析了两组差异较大的结果,为加工中心的精度稳定性评估提供方法参考。 相似文献
3.
滚动轴承微弱故障信号往往包含在二阶循环平稳信号中,但容易受到噪声干扰。对循环平稳信号进行基于短时傅里叶变换的循环周期谱分析可以提高周期故障的识别能力,但其结果受到窗函数大小的影响且对于微弱故障的诊断效果不佳,提出最优小波尺度循环谱进行滚动轴承的早期故障诊断。首先利用连续小波变换对信号进行处理获得小波系数;接着采用相关峭度方法选择最优的分析尺度;然后沿着时间轴对该尺度范围内的小波系数进行循环谱分析;最后对最优尺度下的循环谱平均进行特征提取。与循环周期谱的分析结果进行对比,验证了该方法在早期故障特征提取方面的有效性。 相似文献
4.
瞬时频率计算是关系到经验模式分解实用性的关键,但是传统瞬时频率的计算方法对于信号分析的准确性有很大的影响。尽管非平稳信号的频率变化率可以用有限次的多项式表示,而最大似然估计、最小二乘法等相位建模估计方法计算量大,因此对于内蕴模式分量计算得到的瞬时频率仍然存在一些问题,其中边界效应更为明显。提出采用高阶模糊度函数来进行相位参数估计的方法,对内蕴模式分量的瞬时频率进行计算,在此基础上构建Hilbert时频谱进行信号分析。应用高阶模糊度进行瞬时频率计算,可以减小计算量,提高瞬时频率估计的准确性。采用仿真和实际信号验证方法的有效性,研究表明此方法可以有效消除边界效应影响,提高Hilbert时频谱的可靠性。 相似文献
5.
6.
针对行星齿轮箱在故障早期时振动信号比较微弱,受噪声污染严重、且传递路径复杂多变,实际情况下故障特征难以准确提取与分离的问题,提出了基于参数优化最大相关峭度解卷积(MCKD)的微弱故障特征提取方法。首先通过最大相关峭度解卷积对原始信号进行了降噪处理,设置了峭度和自相关峰态系数作为筛选准则,对算法参数组合进行了优化选取,检测周期性故障冲击特征;然后对降噪后的信号进行了希尔伯特包络谱分析,从而获得了准确故障特征频率。仿真信号和实验数据分析结果表明:该方法对于强背景噪声下的行星齿轮箱微弱故障诊断具有良好的效果,有效抑制了噪声干扰,成功提取了故障特征。 相似文献
7.
针对旋转机械中滚动轴承早期信噪比较低的故障特征提取困难问题,提出了一种基于能量的变分模式分解(variational mode decomposition,简称VMD)模态数k优化选取方法,用以提取滚动轴承早期故障特征,同时避免了信号分解过分或不足。首先,对振动信号进行VMD预分解,分别在不同k值条件下计算分量信号能量与原始信号总能量;其次,根据基于能量的模态数k选取准则,确定最佳模态数值对信号进行VMD分解;最后,通过峭度准则选择分量进行信号重构,对其进行包络分析,提取故障特征频率。将该方法运用到实际故障信号中,有效提取出滚动轴承内圈微弱故障特征,实现了早期故障特征判别,具有一定的应用价值和实际意义。 相似文献
8.
把维护职工最现实、最关心、最直接的个人合法权益作为企业做好思想政治工作的根本出发点和落脚点,满足职工正常的欲望和需求,适应具有中国特色社会主义历史阶段的基本特征.在具体工作中必须坚持“依法办事,依政策办事”的总原则,引导广大职工群众正确处理个人和企业、局部和整体、当前和长远利益的关系,增强主人翁意识和社会责任感. 相似文献
9.
基于时频分析的欠定信号盲分离与微弱特征提取 总被引:2,自引:0,他引:2
盲源分离对于多振源信号的故障诊断与识别是一种有效的方法,但是传统的盲源分离算法都是针对观察信号大于或等于源信号的情况,但对于观察信号小于源信号的欠定盲分离问题,这在很大程度上制约了盲源分离的实际应用。通过应用经验模式分解和时频分析对非平稳信号分析的优势,提出基于时频分析的欠定盲源分离方法进行设备微弱特征提取。对振动信号进行经验模式分解,并根据分解得到的内蕴模式分量估计源信号个数并选择最优的观察信号,将振动信号与选择的最优观察信号组成新的观察信号进行基于时频分析的盲源分离,通过对仿真信号和齿轮箱实测信号进行验证分析。并与基于独立分量分析的盲源分离算法进行对比,研究表明基于时频分析的盲源分离对混合信号具有更好的分离效果,能够较好地对微弱特征进行提取。 相似文献
10.