共查询到20条相似文献,搜索用时 15 毫秒
1.
2.
3.
探讨了离散小波变换在齿轮箱故障诊断中的应用,通过对测取的齿轮箱振动信号进行离散小波变换,可有效提取齿轮箱螺栓拉断的故障信息,为今后判断,预防同类事故及事后确定故障部位提供了有效的分析手段。 相似文献
4.
5.
小波变换理论及其在机械故障诊断中的应用 总被引:11,自引:1,他引:10
小波变换是一种日益获得广泛应用的信号分析方法,已成为国际上非常活跃的研究领域.它在时域和频域同时具有良好的局域性,能够很好地反映出瞬态信号的特征,为诊断以非稳态信号为特征的机械故障提供了有效的分析手段.本文从应用的角度简述了小波变换的基本理论和算法,并给出了故障诊断的实例,证明了这种方法对故障诊断的有效性. 相似文献
6.
经验小波变换是一种基于Fourier 频谱特性,通过构建自适应小波滤波器组来分析复杂多分量信号的方法。该方法能够有效识别信号中的不同模态分量,但由于其Fourier 频谱分割问题,在处理噪声及不稳定信号方面有所欠缺。针对这一问题,采用改进的经验小波变换方法,将信号分解为具有物理意义的经验模态。改进的经验小波变换主要考虑被处理信号的频谱形状,通过采用基于顺序统计滤波器(OSF)的包络方法以及遵循三个准则来获取有效峰值的方法,改进Fourier 频谱分割过程。将改进的方法应用于滚动轴承故障诊断中,由于改进的经验小波变换能够将振动信号分解为一系列单分量成分,因此在轴承振动信号包络谱中能够清晰的发现故障特征。通过对滚动轴承振动模拟信号和实验信号的分析验证了该方法的有效性。 相似文献
7.
8.
针对传动箱振动信号复杂及故障类型难以预知的问题,提出一种基于动态加速常数协同惯性权重的粒子群优化算法(WCPSO)优化的小波神经网络进行传动箱的故障诊断,并比较经WCPSO优化的小波神经网络和传统小波神经网络诊断的结果。结论是该方法能明显提高收敛精度,对多故障征兆有较好的故障识别率,是解决故障诊断问题的有效途径。 相似文献
9.
针对齿轮箱进行神经网络故障诊断研究。齿轮传动是机械传动中最重要的传动之一,它的损伤和失效常常导致机械设备的故障,从而导致重大安全事故。因此,齿轮箱装置的状态监测与故障诊断受到越来越多的关注和研究。本文简要介绍齿轮振动机理和BP神经网络的原理与结构,并将神经网络应用于齿轮箱故障检测和诊断。利用matlab语言建立神经网络模型,通过对振动信号提取的特征向量对已建立的神经网络模型进行训练。利用训练好的BP神经网络模型对齿轮箱进行故障检测,取得了较好的效果。 相似文献
10.
11.
12.
小波变换域双谱分析及其在滚动轴承故障诊断中的应用 总被引:15,自引:3,他引:15
工程信号不仅会受到高斯噪声干扰,而且也会受到非高斯噪声干扰。而传统双谱分析方法从理论上仅能抑制高斯噪声,但对非高斯噪声是无能为力的。针对传统双谱存在的不足,将小波变换和双谱分析结合,提出了一种基于小波变换域非参数化双谱故障诊断方法,并应用到滚动轴承故障诊断中。考虑到滚动轴承信号幅值调制特点,在本方法中,对处理信号采用了希尔伯特变换技术,以进行解调。实验结果表明,小波域双谱优于传统双谱,特别是在非高斯噪声情况下,小波域双谱更有优势;研究为滚动轴承故障诊断提供了一种新的有效方法。 相似文献
13.
14.
小波分析在齿轮箱故障检测中的应用 总被引:1,自引:0,他引:1
本文简要介绍小波分析的原理及工程应用中几种常见的小波,并且对齿轮箱故障信号进行了分解,阐明了其故障信号的组成,指出应用小波变换对其进行有效分析的可能性。最后应用小波变换对故障信号进行了实际检测。 相似文献
15.
16.
17.
本文简要介绍小波分析的原理及工程应用中几种常见的小波,并且对齿轮箱故障信号进行了分解,阐明了其故障信号的组成,指出应用小波变换对其进行有效分析的可能性.最后应用小波变换对故障信号进行了实际检测. 相似文献
18.
19.
机械噪声故障诊断中小波变换的应用 总被引:6,自引:1,他引:6
本文讨论了小波分析理论在机械噪声故障诊断中的应用。为了识别发动机噪声信号中表征故障的间歇性撞击声,本文构造的一种新型的小波——指数衰减型小波函数,它能有效地识别出间歇性撞击声。本文最后给出了实验结果并与经典高斯型小波分析的结果进行了比较。 相似文献
20.
k-中心点聚类算法(k-medoids cluster algorithm,KCA)是改进的机器学习聚类算法,该方法通过初始聚类中心选取和聚类中心更新,对无标记训练样本的学习揭示数据的内在性质及规律,从而区分出机器的运行状态。提出了一种正交小波变换k-中心点聚类算法(orthogonal wavelet transform k-medoids clustering algorithm,OWTKCA)诊断方法,利用正交小波变换(orthogonal wavelet transformation,OWT)方法提取各细节信号作为训练样本,用KCA方法进行分类。通过滚动轴承的试验数据分类结果显示,该方法相对于没有提取特征值的KCA能有效处理复杂机械振动信号,明显提高了故障数据聚类效果,缩短了聚类时间,提高了智能诊断效率。 相似文献