共查询到18条相似文献,搜索用时 156 毫秒
1.
以小波变换、小波神经网络为工具,采用定子电流对HXD1B型机车的YQ1633异步牵引电动机开展牵引电机齿轮故障诊断研究。定子电流法相对于振动法更容易实施,有效克服了振动信号中包含的复杂干扰。由小波分析完成齿轮故障的特征量提取,通过神经网络对故障类型进行判断,实际测试表明,该方法具有较好的故障诊断性能。 相似文献
2.
3.
4.
《矿山机械》2015,(11)
为了在强背景噪声下有效识别齿轮故障,提出了一种多传感器信息融合的识别方法。首先计算多传感器振动信号的小波相关特征尺度熵,并以此作为强噪声背景下齿轮故障特征信息;以各尺度信息熵作为SOM神经网络的输入层,用标准训练样本训练神经网络,齿轮故障类型在竞争层聚类;为了提高识别过程的准确性及完整性,采用多传感器决策层融合技术,构造D-S证据理论识别框架,建立基于统计SOM神经网络识别率的基本信任函数分配方法。每个传感器的子决策作为一条子证据,根据D-S证据理论合成规则及各传感器的基本信任函数分配完成融合识别。试验结果证明,齿轮多传感器信息融合识别方法可以实现强噪声背景下齿轮故障的准确识别,消除识别的不确定性,识别率可达90%以上,是一种有效的齿轮故障识别方法。 相似文献
5.
6.
建立了小波神经网络的理论模型。针对传统小波神经网络的缺陷,提出了带动量项和变学习率的小波神经网络。确定了自卸车的输入向量和输出向量,并且对小波神经网络进行了训练。分别利用传统的小波神经网络和改进的小波神经网络对自卸车进行故障诊断,诊断结果表明,改进小波神经网络能够准确地对自卸车进行故障诊断。最后,分别从软件系统和硬件系统设计了自卸车故障监控系统。 相似文献
7.
小波变换在齿轮故障诊断中的应用 总被引:1,自引:0,他引:1
在分析小波变换理论和齿轮振动信号特点的基础上,提出用小波分析法提取齿轮故障特征。齿轮振动信号具有非平稳性,并且受各种噪声干扰,小波分析法具有处理非平稳信号的突出优点。在MATLAB环境中,建立了齿轮振动仿真信号,采用小波函数对受噪声污染的信号进行软阖值消噪处理,通过功率谱分析提取特征频率。仿真表明,该方法可有效抑制噪声,提取特征频率,从而为齿轮故障诊断提供依据。 相似文献
8.
针对小波神经网络在故障诊断中的缺点和不足,主要分析小波神经网络与粒子群、遗传算法、模糊逻辑相结合使用的方法和优势。用粒子群优化的小波神经网络,其收敛速度和精度有很大提高;遗传算法具有全局优化的特点,遗传小波神经网络有效地解决了小波神经网络训练速度慢和易陷入局部极值等问题;基于模糊逻辑而提出的模糊小波神经网络具有高精度的逼近能力和很强的泛化能力。 相似文献
9.
10.
介绍了小波神经网络的模型,将小波神经网络应用于流体压力信号的降噪。首先用仿真信号验证其有效性,然后用小波神经网络方法对实验信号进行降噪,并计算其降噪效果评价参数。结果表明小波神经网络对流体压力信号降噪是一种有效的方法。 相似文献
11.
为了能够提高弧齿锥齿轮故障诊断的效率,使弧齿锥齿轮能够安全可靠地工作,深入地分析了小波包能量谱在弧齿锥齿轮中的应用。分析了弧齿锥齿轮故障的机理;研究了弧齿锥齿轮故障诊断的小波能量谱的机理;利用小波包能量谱对弧齿锥齿轮进行了故障诊断,结果表明该方法具有较好诊断精度。 相似文献
12.
故障齿轮箱的振动信号中可能包含周期性的振幅和相位调制信号,在齿轮箱故障诊断中,解调成为一个重要的问题。在分析了齿轮振动信号的基础上,提出了一种基于希尔伯特变换和小波包节点能量法的故障诊断方法。通过一个包含调幅调相信息的仿真信号进行了验证,结果表明该方法能够有效提取调制信号,比使用小波包变换更有效。 相似文献
13.
14.
振动诊断在机械设备齿轮故障诊断中的应用 总被引:4,自引:0,他引:4
介绍了利用振动信息进行故障诊断的优势及齿轮故障振动诊断方法,列举了齿轮故障振动诊断标准,通过诊断实例介绍了振动诊断在齿轮故障诊断中的具体应用。实践证明振动诊断在机械设备齿轮故障诊断中具有重要意义。 相似文献
15.
约束独立分量分析对于测量信号中的传感器噪声(测量噪声)具有很强的免疫能力,但对源噪声的免疫性却很差。针对这个问题,提出了小波变换特征增强的约束独立分量分析的齿轮箱故障特征提取方法。通过对测量信号小波分解,有针对性地选择某子频段小波系数重构,有利于提高信噪比,增强信号的统计独立性和非高斯性,从而增强约束独立分量分析方法提取齿轮故障特征的效果;而未经小波变换除噪时,约束独立分量分析的效果不佳。通过仿真分析和在矿用带式输送机齿轮箱故障诊断的应用结果综合表明,该方法能有效降低源噪声的影响,准确提取出齿轮故障特征,尤其是微弱低频故障特征。为矿用齿轮箱多通道振动状态监测与故障诊断提供了一种新的有效手段和途径。 相似文献
16.
17.
Using wavelets, the vibration signal of a certain mine hoist gear box was analyzed. By multiple comparison analysis, the rational wavelet basis function was determined. Fault characteristic frequencies of hoist gear box were identified. The research indicates that the hoist??s fault information is non-stationary, and non-stationary signal is clearly extracted by using db20 wavelet as basis function. The db20 wavelet is the proper wavelet base for vibration signal analysis of the hoist gear box. 相似文献