减速器故障的振动检测与诊断

本文以减速器振动机理为基础，分析阐述减速器故障对振动频谱的各种影响，根据在工作状态下所得的外部监测信号，运用独特的倒频谱分析，清晰地分离并检测出减速器的内部故障，研究与试验表明：倒频谱分析是减速器故障诊断一种有效方法。     

行星齿轮传动装置振动超标问题的分析与排除

某带行星齿轮减速器的发电机组在满负荷额定转速工况下,出现减速器轴承及发电机后轴承处横向振动偏大的故障现象。通过振动频谱分析,确定了减速器的三个行星轮的装配精度偏差是机组振动偏大最主要的影响因素。在重新拆检复装后,提高行星轮与内齿圈的装配精度,验证试验结果表明,机组振动偏大的故障现象即可消除。     

倒频谱在压缩机故障诊断中的应用

针对压缩机故障的特点，利用在线检测系统对在工业运行中的压缩机进行检测，对测得的振动信号进行了频谱分析，结合谱图，详细介绍了倒频谱在故障诊断中的应用。实践证明了，倒频谱在检测周期信号和识别边频上具有独特的功能。     

基于小波-倒频谱的齿轮故障诊断方法及应用

利用振动信号采集到的齿轮故障信息,依据点蚀的故障机理和频谱特征,采用小波分解将信号分解在不同频带,有效抑制了背景噪声,从而得到故障特征频带,获得周期性突变的故障信息。选择故障所处频带重构信号,对故障进行诊断。结合倒频谱方法可以有效地识别故障特征频率。结果表明小波分析与倒频谱相结合是齿轮故障检测中一种有效的诊断方法。     

基于小波-倒频谱的齿轮故障诊断方法及应用

利用振动信号采集到的齿轮故障信息,依据点蚀的故障机理和频谱特征,采用小波分解将信号分解在不同频带,有效抑制了背景噪声,从而得到故障特征频带,获得周期性突变的故障信息.选择故障所处频带重构信号,对故障进行诊断.结合倒频谱方法可以有效地识别故障特征频率.结果表明小波分析与倒频谱相结合是齿轮故障检测中一种有效的诊断方法.     

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

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。     

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

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。     

滚动轴承故障诊断的实验研究

滚动轴承故障诊断的方法有多种,并且各有其适用场合。本文结合实验对滚动轴承三种典型故障（内圈裂纹、外圈裂纹、滚动体裂纹）的振动信号进行了研究分析,分别应用了功率谱分析和倒频谱分析技术。实验证明,在滚动轴承故障诊断中,倒频谱分析比功率谱分析更加切实可行,具有实用价值。本文还对三种故障轴承的噪声进行了比较,对滚动轴承故障诊断具有一定的参考意义。     

基于MOMEDA和增强倒频谱的风电机组齿轮箱多故障诊断方法

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。     

齿轮调幅调频所引起的室内啸叫噪声分析与控制

某前置后驱车型在加速过程中室内存在啸叫异响,在特定转速下尤为明显。试验数据显示后主减速器壳体振动和辐射噪声均存在相应的频谱特性。对室内噪声及主减速器壳体的噪声与振动在匀速和加速工况下进行数据采集,采用频谱分析和调制谱分析,确认该啸叫噪声为主减速器齿轮啮合引起的齿轮振动调制现象。该调制以主减速器齿轮啮合频率的高次谐频为载波频率,主减速器主动齿轮轴的转频为调制频率。在一定程度上提高齿轮加工精度可使室内啸叫噪声明显减弱。整个试验分析过程为后期齿轮异响问题排查提供一种新的思路。     

某型发动机减速器齿轮毂裂纹故障研究

针对某型发动机减速器出现的齿轮毂裂纹故障,基于UG建立减速器齿轮传动系统的实体模型,对减速器一级齿轮毂进行柔性体仿真,采用弹簧模拟齿轮毂花键之间的弹性力作用,通过改变弹簧刚度的方法模拟一级齿轮毂存在故障时的状态,对比研究处于正常状态和带有裂纹齿轮毂故障状态的发动机减速器各部件的动态响应,发现故障状态下减速器各部件振动量明显增大,由此确立将振动量作为故障监测特征量的思想。利用所设计搭建的整机振动测试系统对10台次发动机振动状态进行测试,对比研究两种状态下减速器在其特征频带上的振动量大小,结果表明故障状态下振动量明显大于正常状态,从而验证仿真计算的正确性。     

基于MCKD和增强倒频谱的直升机自动倾斜器滚动轴承故障诊断方法

针对直升机自动倾斜器滚动轴承转速低,其早期故障特征信号易被噪声淹没的问题,提出了基于最大相关峭度解卷积(MCKD)和增强倒频谱分析的直升机自动倾斜器滚动轴承故障诊断方法。该方法利用MCKD方法对故障信号进行降噪处理,采用自相关方法和广义Shannon熵对倒频谱分析进行改进,得到增强倒频谱,提取故障特征频率。实验研究表明,所提出的方法能精确地诊断自动倾斜器滚动轴承内圈、外圈和滚珠故障,且优于传统的倒频谱分析,可以预防重大故障发生。     

基于信息熵和VMD的RV减速器行星轮故障分析

针对机器人RV减速器行星轮齿根裂纹故障在机器人作业中表征不明显、转频及故障特征提取困难等问题,提出一种信息熵和变分模态分解相结合的RV减速器行星轮故障识别方法。通过伺服电机电流信号获取RV减速器在稳定阶段的电机主轴转频,从而计算RV减速器的理论特征频率。结合电流信号的瞬时频率趋势图同步截取稳定阶段的振动信号,通过包络分析确定振动信号故障特征频段范围。最后利用信息熵与变分模态分解消除其余特征频率的干扰,提取RV减速器的故障特征。实验结果表明该方法在RV减速器出现行星轮齿根裂纹故障时,能够有效识别故障特征。     

频谱识别的一般方法

振动是机器的脉博，振动是机器状况的表征，通过振动分析，可以对机器的运行状态作出科学的量化，而不是经验的评判。频谱识别是振动分析方法中最常用和最有效的方法。估计在旋转机械上发生的85％以上的故障可以用频谱识别出来。频谱识别一般可以分为三步。1．频率计算在对机器振动进行频谱分析时，表1一般是通过计算，在频谱上找出与机器不同部件的基本运动有关的特征频率成份，利用频率分析找出根源──即机器的故障点，所以在看频谱前，需对机器的转频、倍频、主要部件运动的特征频率以及可能发生的故障频率进行计算。这些频率主要有：（…     

机器的故障诊断

对任何一台机器,如果能及时地发现和诊断出它的故障,对于防止意外事故,保证所生产的产品质量有着现实意义。大家知道,有经验的工人或技术人员可以凭耳朵的听觉或手等直接触觉对振动的感受来判断机器是否有故障甚至判断出故障在哪里。 但是,人们终究希望能找到借助于某种仪器来诊断机器故障的方法。 一、谱频谱方法 Sapy,G.利用谱频谱分析检测了涡轮机中叶片的故障[1], Randall　R. B.利用谱频谱分析了卡车齿轮箱里齿轮的故障[2]。 什么叫谱频谱?谱频谱英文为Cepstrum它是英文频谱Spectrum一词的倒写,首先于1963年由 Bogert, B. P.提出来…     

振动分析技术在轴承故障诊断上的应用

应用振动分析基本理论知识,在对被试轴承振动信号初步诊断的基础上,结合频谱分析技术诊断出故障的具体部位。研究表明,进行振动监测和频谱分析在诊断轴承故障方面具有实用性和必要性。     

复杂变速箱齿根裂纹诊断

本文针对齿轮出现裂纹后其振动信号特征，选用时域同步平均参数法和倒频谱的方法，对某型坦克变速箱的齿轮裂纹信号进行了分析。结果表明，在无载荷条件下，时域同步平均后的时域参数法较倒频谱法对齿根裂纹诊断更有效。     

汽车主减速器结构振动在线监测系统研制

简述了汽车主减速器齿轮的简化振动模型和振动与噪声的关系,利用噪声所携带的故障信息,提出一种利用虚拟仪器对主减速器的结构振动加速度信号进行采集、功率谱分析和故障检测的监测系统.此系统在生产线上能够科学有效地检测主减速器的早期故障,从而有针对性地采取检修措施,确保主减速器的产品质量,提高传动性能,同时还可以达到降噪目的.     

基于VMD倒频变换的风电机组齿轮箱复合故障诊断

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。     

Margenau-Hill分布在滚动轴承故障识别中的应用

滚动轴承出现故障时，振动信号具有明显的冲击特征。以轴承故障振动信号分析为基础，给出此信号的数学模型。采用时频分析方法对滚动轴承振动加速度信号进行处理，提出了一种基于伪Margenau-Hill分布时间特征量进行故障识别的方法。以滚动轴承外圈故障为例，通过时频谱图对故障类型进行识别，并指出故障的轻重程度。