基于高阶倒谱熵的齿轮故障诊断

在高阶统计量的基础上提出了高阶倒谱的概念,利用信息熵作为其结果的量化指标,应用于齿轮的故障诊断中。由于高阶倒谱同时具备了高阶统计量和倒谱的优点,因此在进行齿轮的故障诊断中具有其独特的优越性,对齿轮的故障反应灵敏,可以用于实现齿轮的早期故障识别;结合其他诊断方法,能够更好地获得齿轮的在线运行状态和故障分析结果。     

矢Wigner高阶谱在齿轮故障诊断中的研究

全矢谱技术能够有效的融合同源双通道的信息,融合后的信息无论从结构上还是能量上都能够真实的反映转子的实际运行状态。针对Wigner高阶谱只能处理单通道信息这一缺点,将全矢谱技术与Wigner高阶谱相结合,提出矢Wigner高阶谱分析方法,给出了其定义与算法,并将其应用到齿轮故障诊断中。仿真研究及实例验证结果表明,矢Wigner高阶谱能够克服基于单通道信息的Wigner高阶谱的片面性,并且该分析方法同时具备两者的优点,为齿轮故障诊断提供更可靠的依据。     

基于谱熵的齿轮故障诊断方法研究

齿轮故障诊断中,采用何种有效的方法对随机动态信号进行分析和特征提取是关键所在。在实际工程当中所采集到的系统信号不可避免地受到噪声的污染,所以普通的一些处理方法如功率谱分析法等,对噪声的存在很敏感,检测分析结果往往不很理想,且很难准确区分故障。谱熵方法从统计学理论入手,反映了信号的无序性,对噪声具有一定的鲁棒性。本文将谱熵理论引入到机械齿轮传动系统中,对齿轮发生的裂纹、磨损故障进行了特征提取、区分与诊断,并与正常齿轮进行了对比,分析模拟和实验结果表明,效果良好,识别诊断的精度在90%以上,为机械齿轮传动系统的故障识别与诊断提供了一种有效方法。     

高阶统计量与RBF网络结合用于齿轮故障分类

提出一种基于高阶统计量特征提取的径向基函数网络齿轮故障分类方法,以齿轮箱振动信号的高阶统计量估计值作为齿轮故障特征,以径向基函数神经网络作为分类器,成功地对齿轮故障进行了分类。研究表明,高阶统计量和径向基函数神经网络相结合的齿轮故障分类方法是有效的。     

基于矢Wigner高阶谱方法的研究

全矢谱技术是同源信息融合技术的一种,能够有效的融合同一个截面两个传感器通道的信号信息,并且准确的提取机械故障的特征信息。信号信息不同的时间和频率的能量的密度或者强度可以通过时频分析方法描述,然而Wigner高阶谱是Wigner-ville分布在高阶谱领域的扩展,能够非常有效的分析时变非高斯信号,但是它仅仅只能用来处理单通道信号信息,现针Wigner对高阶谱的这一缺点与全矢谱分析方法相结合,提出一种新的分析方法—矢Wigner高阶切片分析法,给出它的定义和算法,运用仿真实验和实例验证。     

基于Wigner高阶谱的机械故障诊断的研究

Wigner高阶谱是Wigner-ville分布到高阶矩谱域的扩展,可同时从时域和频域描述信号的高阶谱特征,是分析时变的非高斯信号的有力工具。将Wigner高阶谱应用到机械故障诊断中,研究了交叉干扰项的消除和抑噪能力。仿真和试验结果表明该方法是有效的,得到了一些有价值的结论。     

基于AR-MCKD的齿轮点蚀故障特征提取

以实测齿轮箱振动信号为分析对象,对齿轮点蚀进行故障特征提取。利用最小信息准则(AIC)确定自回归(AR)模型最优阶数,通过此AR模型将采集到的振动信号进行预处理,降低可线性预测的平稳成分;利用最大相关峭度解卷积(MCKD)进一步增强振动信号中的冲击成分,然后进行Hilbert变换得到振动信号的包络谱来分析故障特征。将上述方法应用到试验振动信号包络谱的变化趋势分析。结果表明,AR-MCKD能够有效提取齿轮点蚀故障特征,能够体现齿轮点蚀过程的包络谱变化。     

基于高阶累积量的齿轮系统故障检测与诊断

详细讨论高阶累积量(Higher order cumulants,HOC)的特点和性质,分析基于HOC理论的相关信号处理技术,以及在处理随机信号的非线性特性时独特的功能.基于HOC的振动信号分析处理技术,即双谱分析、1.5维谱分析以及双相干谱分析方法,分析了各自特点以及估计算法.在此基础上,将HOC引入到机械传动齿轮系统的故障诊断分析之中, 对系统故障特征进行提取并对故障类型进行区分.对不同大小和不同类型故障的传动系统进行试验测试,采用HOC进行特征提取识别,并对HOC理论实际应用效果作了分析评价,表明HOC是一种较理想有前途的有效方法.     

基于EEMD与奇异熵增量谱的齿轮故障特征提取

针对齿轮振动信号非线性、非平稳的特点,提出一种基于集合经验模态分解(EEMD)与奇异熵增量谱的齿轮故障特征提取方法。首先,利用EEMD方法将齿轮振动信号分解为若干个平稳的本征模态函数(IMF)分量。EEMD方法利用正态分布白噪声的二进尺度分解特性,能够有效抑制经验模态分解(EMD)中的模态混叠现象。但由于背景噪声和残余辅助白噪声的影响,EEMD分解得到的IMF分量难以准确提取齿轮故障特征。利用奇异值分解(SVD)对IMF分量进行消噪和重构,根据奇异熵增量谱确定重构阶次,准确地提取齿轮的故障特征频率。仿真信号分析和齿轮箱齿轮故障实验验证了该方法的准确性和有效性。     

基于局部投影算法的齿轮故障声信号特征提取

局部投影算法采用延时坐标将时间序列进行相重构,在高维的相空间上采用局部投影的方法将相空间分解成正交的子空间,通过子空间中吸引子特性的不同来分离时序中的背景信号和弱特征信号分量。提出将局部投影算法用于设备故障声信号的降噪,通过齿轮故障信号的特征提取实验证实该方法用于识别设备故障的有效性。     

机车走行部故障在线诊断的特征分析方法研究

在讨论特征分析方法原理的基础上，针对机车走行部故障在线监测过程中存在的信号分析与处理问题，运用整周期等角度采样方法将时域振动信号转换为角域信号，采用FFT变换将角域信号变换为对应的特征频谱，通过谱估计、谱图分析得到机车走行部各零部件的故障特征谱值，再根据该特征谱值识别机车走行部各零部件的故障。然后，根据机车走行部故障诊断的实际需要，设计了一套基于特征分析方法的机车走行部故障在线诊断系统。实验结果表明，该方法能准确、可靠地识别机车走行部故障。     

全矢谱技术在齿轮故障诊断中的应用

以齿轮传动系统为研究对象,针对转子振动信号的信息源不足问题,采用全矢谱技术的信息融合分析方法,更真实、可靠地反映出齿轮的振动特征,实现齿轮故障诊断的信息全面和高分辨率的特点.     

基于改进证据理论的齿轮泵故障诊断方法研究

针对多源传感器信息的不确定性,提出了一种基于改进证据理论的故障诊断方法.首先定义了证据向量的夹角余弦,提出了冲突证据判定法则,对证据进行冲突性判定;然后建立二级鲁棒融合策略,通过RBF神经网络进行特征层融合,经过训练产生初始证据,应用冲突证据判定法则找出冲突证据并利用相似度对其进行局部修正;最后对证据进行融合和诊断.通过齿轮泵振动试验,将此方法与神经网络、传统证据理论和其他代表性改进方法的诊断结果进行对比,验证了新方法和融合策略的有效性.     

基于Teager-Huang变换的滚动轴承故障诊断方法

针对滚动轴承故障振动信号的非平稳特征,介绍了一种基于Teager-Huang时频谱和边际谱的滚动轴承故障诊断方法。详细阐述了Teager-Huang时频谱和边际谱的计算方法及物理意义。给出了该故障诊断方法的步骤,并对仿真和实际轴承的滚动体故障、内圈故障和外圈故障信号进行了分析和故障诊断。结果表明,基于Teager-Huang变换的故障诊断方法具有计算速度快,估计准确稳定的特点,是准确判断滚动轴承故障状态的一种有效新方法。     

基于信号传播模型的行星齿轮缺齿故障识别*

为了研究行星齿轮缺齿时包含微弱故障特征的振动信号在多级齿轮箱系统中的传递特性,先考虑仅由齿轮及转轴构成的局部系统,采用集中质量法建立齿轮系统扭转动力学模型,依达朗伯原理导出振动微分方程组并求得各级齿轮啮合的振动响应即振动源信号。为了找出振动源信号在整个系统中的传递关系,在上述动力学模型的基础上再考虑包括齿轮箱箱体在内的整体系统,通过对信号动态传播路径的分析,针对不同测点反映故障的敏感度不同的现象,根据系统辨识理论建立信号传播模型,并运用最小二乘类方法得到振动源信号传至不同测点的传递函数估计,即找到信号在系统中的传递关系。通过分析比较传递函数幅频特性曲线进而选取合适测点,在此测点下行星齿轮缺齿故障特征频率相对明显易识别。     

基于磨削齿轮方式修整齿轮误差的分析

为解决常规齿轮加工过程中所产生的误差,将精密磨齿加工与先进检测技术应用到提高齿轮等级中,通过对造成齿轮加工误差因素的分析,建立了误差因素与齿轮精度指标之间的对应关系,并结合精密磨削齿轮的加工特点及优势,提出了采用精密磨削齿轮改进齿轮精度的方法,即在已有齿轮误差的前提下,结合实验,就其误差成因、磨齿原理、修整方法等方面提出了较为完善的改进办法,并对其进行修整,从而避免了该误差对传动机构精度的影响。研究结果表明:采用精密磨齿方式进行齿轮误差的修整,是有效提高齿轮精度的捷径,在常规方法等级基础上可以提高2~3个等级。     

基于Web的齿轮设计系统研究与开发

齿轮是一种通用的机械传动零件.采用ASP.NET技术和网络数据库技术,使用C#语言开发了基于Web的齿轮设计系统.该系统利用Auto CAD的二次开发技术,实现了从强度计算到三维实体模型的自动生成的全过程,为基于网络的协同设计提供了一种通用零件的设计手段.     

基于I-DEAS的渐开线斜齿轮三维造型技术研究

以I—DEAS软件为平台,对渐开线斜齿轮齿廓三维精确建模方法及关键技术进行详细介绍,并利用该软件进行实例建模。     

变速器齿轮故障特征模糊熵提取方法研究

针对样本熵相似性度量函数的突变问题,提出了一种变速器齿轮故障特征模糊熵提取方法。模糊熵通过引入模糊隶属度函数代替样本熵中的硬阈值判据,可以减小模糊熵对参数的敏感度和依赖性。利用模糊熵作为变速器齿轮故障的特征值进行提取包括变速器齿轮正常、齿面轻度磨损、齿面中度磨损和断齿等4种工况的振动信号,依据不同的故障对应不同的模糊熵分布,对各种故障状态进行分类。变速器齿轮故障识别的实例验证了模糊熵较样本熵具有较好的故障分类能力。