频谱分析法在齿轮箱故障诊断中的应用

利用各种频谱分析手段(细化功率谱和倒频谱)对某轧钢厂齿轮箱振动信号进行了全面分析,发现整个传动装置产生的不平衡导致齿轮箱振动异常,经过装配调整,并做了动平衡试验,有效地解决了这一问题.     

基于混合特征提取和WNN的齿轮箱故障诊断

提出了一种基于混合特征提取和小波神经网络(WNN)的齿轮箱故障诊断方法,运用时域分析法、小波分解和小波包分解相结合的方法对齿轮箱振动信号进行故障特征提取,将所提取的特征值作为WNN分类器的特征输入参数,采用反向传播(BP)算法对WNN结构中的平移参数、尺度参数、连接权值和阈值进行调整和优化.在实验中采用不同裂纹尺寸的齿轮来模拟三种故障模式,通过对三种故障齿轮进行诊断和分类,能证明本文所提议的故障诊断方法是有效且可靠的.     

细化和倒谱分析在坦克齿轮箱故障诊断中的应用

为有效诊断坦克齿轮箱齿轮故障，建立了以微机为主体的频谱分析系统，对某坦克齿轮箱的振动信号进行分析．根据齿轮振动信号频谱具有调制边频的特点，提出了用细化谱分析与倒频谱分析相结合的方法来对齿轮振动信号进行频谱分析和故障诊断，实验结果表明此方法是可行的，为坦克齿轮传动箱的故障诊断提供了有效的途径．     

基于EMD和FFT的齿轮箱故障诊断

提出了一种基于小波包分析（WPA）,经验模态分解（EMD）和快速傅里叶变换（FFT）的齿轮箱故障诊断方法,此方法适合于非线性非稳态信号的自适应分析.首先运用WPA对采集的齿轮箱振动信号进行分解可得到不同频率的子频带;然后对各子频带信号进行EMD,从而得到一定数量的本征模态函数（IMF）;最后选取特定的IMF,对其作FFT可得到相应的功率谱,从而提取齿轮箱故障特征频率,进而对齿轮箱故障模式进行识别和诊断.分析结果表明本文所提议的方法能有效地检测出齿轮箱故障特征频率.     

基于EMD和FFT的齿轮箱故障诊断

提出了一种基于小波包分析(WPA),经验模态分解(EMD)和快速傅里叶变换(FFT)的齿轮箱故障诊断方法,此方法适合于非线性非稳态信号的自适应分析.首先运用WPA对采集的齿轮箱振动信号进行分解可得到不同频率的子频带;然后对各子频带信号进行EMD,从而得到一定数量的本征模态函数(IMF);最后选取特定的IMF,对其作FFT可得到相应的功率谱,从而提取齿轮箱故障特征频率,进而对齿轮箱故障模式进行识别和诊断.分析结果表明本文所提议的方法能有效地检测出齿轮箱故障特征频率.     

基于改进型BP算法的齿轮箱故障诊断

对齿轮箱的故障检测诊断问题进行了研究,将人工神经网络技术应用于齿轮箱的故障诊断中,对已有的ＢＰ学习算法进行了改进,实测测试数据表明该诊断系统是可行和有效的。     

基于EEMD和BP神经网络的风机齿轮箱故障诊断方法

根据风机齿轮箱故障信号的非平稳特性,提出一种基于总体平均经验模式分解(EEMD)和BP神经网络的风机齿轮箱故障诊断方法。首先,对原始信号进行小波去噪。然后,对故障信号进行EEMD分解,将其分解为多个固有模态函数(Intrinsic Mode Function,简称IMF)之和,选取若干含有主要故障信息的IMF分量做进一步分析。最后,从各IMF分量中提取故障信号能量特征参数,将归一化后的能量特征参数作为BP神经网络输入参数进行故障诊断。实测结果表明:该方法故障诊断准确率达到了99%左右。可以准确、有效的对风机齿轮箱进行故障诊断。     

基于改进型 BP 算法的齿轮箱故障诊断

对齿轮箱的故障检测诊断问题进行了研究,将人工神经网络技术应用于齿轮箱的故障诊断中,对已有的ＢＰ学习算法进行了改进,实例测试数据表明该诊断系统是可行和有效的。     

基于ZigBee的风力发电机齿轮箱故障诊断系统

ZigBee技术是一种近距离、低复杂度、低功耗、低速率、低成本的双向无线通讯技术.针对风力发电机工作环境复杂、要求监测点较多、齿轮箱相对体积较小、维修困难等特点,提出将ZigBee技术应用于风力发电机齿轮箱的信号采集,并分析了采集信号.根据信号分析结果,对齿轮箱做出故障诊断.     

基于数据驱动的工业过程故障诊断综述

简单介绍了常用故障诊断方法,着重对基于数据驱动的故障诊断研究进展及存在问题进行了综述,最后对数据驱动的故障诊断方法进行了展望。     

基于Matlab的滚动轴承故障诊断方法的研究

滚动轴承被广泛应用于风力发电、直升机等各类机械设备中，由于其受到复杂的载荷作用并且工作环境较为恶劣，所以轴承较为容易受到损坏。如果不能及时发现轴承故障，则会造成较大的事故，或导致停产与造成经济上的损失。本文通过对轴承故障振动信号的采集，利用Matlab软件对数据进行处理，力求在初期就能够及时发现故障，为维修提供科学依据，节约维修时间和成本。     

齿轮箱振动源信号分离与故障诊断研究

对齿轮的运行状态进行监测能够有效消除设备的潜在故障,避免大的事故发生.然而由于工作条件恶劣,很难采集到齿轮箱真实可靠的振动信号.由此,提出了一种基于独立分量分析（ICA）和支持向量机（SVM）相结合的齿轮故障诊断方法.首先利用ICA从被噪声污染的齿轮箱振动信号中分离出真实振动源信号,以提取可靠的齿轮状态高阶统计特征信息;而为了准确监测设备运行状态,采用支持向量机（SVM）对所提取的特征进行学习与智能分类,以检测齿轮早期故障.结果表明,通过齿轮箱故障实验分析,所提出的方法能够有效提取齿轮振动源信号,准确识别与诊断齿轮裂纹、点蚀以及断齿等故障状态,且精度比未进行源分离高10%,具有较好工业应用价值.     

基于多特征提取的滚动轴承故障诊断方法

滚动轴承故障是旋转机械失效和损坏的最主要原因之一。轴承振动信号通常表现为非线性和非稳态的特征。常规的时域和频域方法不容易对轴承工作的健康状况做出准确的评估。提出了一种基于多特征提取的滚动轴承故障检测方法,首先从轴承振动信号中提取故障特征（熵特征、Holder系数特征及改进分形盒维数特征）,然后通过灰色关联理论算法自动地识别出轴承的故障类型和严重程度。该方法能够在确保检测实时性的同时,准确有效地识别不同的滚动轴承故障类型及其严重程度。     

基于倒谱分析的实时广播音频相似度快速比对算法

为了解决广播音频中经常存在噪声干扰和时间延迟导致音频比对结果不准确的问题,提出具有延时自适应意识的音频比对算法。针对常用算法中测量音频特征距离抗噪性能差的不足,采用倒谱对两音频的混合信号分析,并利用倒谱对功率谱中的等距离频率成分有很强的分辨能力这一特性来进行自适应延时估计和比对;为比对不同情况的两音频都可得到准确的相似度,提出对其中一音频加入短延时,再将两音频叠加混合后做倒谱分析;并根据加入不同短延时的效果选择出最优短延时,进一步提升算法性能。使用真实广播不同节目中截取出来的多个音频,在无噪声和不同信噪比加性高斯白噪声条件下,通过仿真实验评估了所提出算法的性能,比较了不同信噪比下的延时估计结果和音频相似度。实验结果证明,所提出方法的延时估计结果和比对结果优于现有算法,在低信噪比（SNR= 2dB）下,也可以达到90.36%的音频比对匹配精度,且计算速度能够达到实时比对的要求。     

常见网络故障诊断命令使用技巧

网络故障极为普遍,故障种类也十分繁杂。如果把网络的常见故障进行归类查找,那么无疑能够迅速而准确地查找故障根源,解决网络故障。本文主要就网络常见故障分层诊断进行了阐述,并介绍了网络故障诊断常用的网络命令的功能及其实际应用。     

铝电解过程故障诊断综述

铝电解是一个非线性、多耦合、时变和大时滞的工业过程体系,故障发生频率较高。本文介绍了当今铝电解故障诊断所采用的方法和国内外研究现状,以及发展趋势,为铝电解故障诊断的研究提供了理论研究基础。     

基于包络分析的自行火炮变速箱故障诊断研究

在振动信号分析的基础上，提取了反映自行火炮变速箱故障的时域特征量和包络谱特征量．建立了基于BP神经网络的故障诊断系统，实现了自行火炮变速箱故障模式的自动识别，有效地检测了自行火炮变速箱的早期故障．通过实际所测的自行火炮变速箱故障数据验证，诊断结果表明选择的特征参数较好地识别变速箱常见故障．     

铝电解故障诊断研究现状及发展趋势

铝电解槽是一个多变量、非线性、大滞后、时变的复杂系统。由于铝电解过程中受强电场、强热场、强磁场影响，所以，故障发生频繁，对铝电解过程造成重大影响。本文综述了铝电解过程国内外故障诊断研究现状及发展趋势，对进一步深入研究故障诊断具有重要意义。