排序方式: 共有46条查询结果,搜索用时 0 毫秒
1.
分析了旋转机械轴不对中的原因,建立了该故障的动力学模型,并用数值分析方法进行理论分析,得出了不对中故障振动特性,通过具体实例验证了不对中故障的振动特性. 相似文献
2.
以某大采高液压支架立柱组合蕾形密封圈为研究对象,采用有限元法分析唇内、外倾角和唇谷高等结构参数对组合蕾形密封圈静密封性能的影响,同时研究油压压力、密封间隙、立柱活塞速度、摩擦因数对密封圈动密封性能的影响。结果表明:一定取值范围内,唇内、外倾角和唇谷高越大,静密封性能越好;油压越大、密封间隙越小,动密封性能越好;摩擦因数越大,外行程时动密封性能越好,内行程时则相反;活塞运动速度对动密封性能影响较小。为保证该组合蕾形密封圈具有良好的综合密封性能,各参数优化取值范围为:唇外倾角20°~30°,唇内倾角20°~35°,唇谷高度12.2~13.2 mm,摩擦因数小于等于0.1,密封间隙0.1~0.3 mm,油压不超过50 MPa。 相似文献
3.
针对最小解熵解卷积(Minimum entropy deconvolution,MED)算法易受强噪声和野值的影响,引出了最大相关峭度解卷积(Maximum correlated kurtosis deconvolution,MCKD)的齿轮箱故障特征提取方法,克服了MED算法的不足。然而凭先验信息选取的故障周期,可能导致MCKD解卷积效果很差,因此提出了MCKD算法的最佳故障周期搜索思路,即在合适的滤波器阶数L下,最佳故障周期的搜索可以限定于理论计算周期左右的某一范围内,使不同步距M关于最佳周期的最大相关峭度达到全局最优,以确保了MCKD算法具有良好的解卷积效果。断齿与局部断齿故障特征提取试验结果佐证了最佳故障周期搜索思路的可行性及其效果。 相似文献
4.
齿轮箱低频故障信号易受到高频振动及强噪声等因素的干扰,测量信号中隐藏的有效低频故障特征比较微弱,再考虑到源噪声的影响,则约束独立分量分析直接提取低频故障特征的效果很差。为此提出了基于小波变换与约束独立分量分析的齿轮箱低频故障特征提取方法,通过对测量信号的小波多分辨率分解,有针对性地选择小波系数重构,提高了信噪比和非高斯性,从而增强了约束独立分量分析方法提取齿轮箱低频故障特征的效果。而未经小波变换除噪时,约束独立分量分析的效果不佳。断齿与局部断齿的低频故障特征提取试验结果表明,提出的方法能有效降低高频振动及源噪声等因素的干扰,提取出齿轮箱的低频故障特征,尤其是微弱低频故障特征,为齿轮箱低频故障特征提取与故障诊断提供了一种有效方法。 相似文献
5.
6.
基于RBF神经网络的齿轮箱故障诊断 总被引:1,自引:0,他引:1
阐述径向基函数(radial base function,RBF)神经网络的基本原理和算法,将其应用于齿轮箱故障诊断与识别,建立齿轮箱的BRF故障诊断模型,并与BP(back propagation)神经网络、学习率自适应BP神经网络进行对比分析研究。结果表明,RBF神经网络性能优于BP神经网络,具有较快的训练速度、较强的非线性映射能力和精度较高的故障识别能力,非常适用于齿轮箱的状态监测和故障诊断。但在具体应用中应当注意,RBF网络的训练样本必须含有一定的噪声,以提高网络的容噪性能;各类故障的训练样本数不能太少,否则RBF网络的故障分类能力很差。 相似文献
7.
基于小波多分辨分析的阈值去噪 总被引:8,自引:0,他引:8
简述了基于多分辨分析原理的小波阈值去噪的基本方法,并介绍了几种阈限和选取阈值的规则.利用小波阈值去噪良好的时频局部化特性滤去信号中大量的背景噪声.通过模拟实验得到了良好的效果,说明小波阈值去噪方法适合于信号去噪. 相似文献
8.
基于小波多分辨分析的阈值去噪 总被引:1,自引:0,他引:1
简述了基于多分辨分析原理的小波阈值去噪的基本方法,并介绍了几种阈限和选取阈值的规则.利用小波阈值去噪良好的时频局部化特性滤去信号中大量的背景噪声.通过模拟实验得到了良好的效果,说明小波阈值去噪方法适合于信号去噪. 相似文献
9.
针对齿轮啮合强振动干扰下滚动轴承微弱故障特征提取难的问题,提出一种最大重叠离散小波包变换(MODWPT)和最大相关峭度解卷积(MCKD)相结合的滚动轴承早期故障诊断方法。首先采用MODWPT方法将复杂的轴承故障振动信号分解为若干分量,然后依据峭度准则,选取峭度较大的分量进行MCKD滤波,最后对滤波后所得信号做Hilbert包络分析,将包络谱呈现的频率特征与理论故障特征频率相比较,识别故障特征,实现故障诊断。通过轴承故障的仿真及实验研究,并对比单一MCKD方法和EMD-MED方法的提取效果,说明该方法可以在一定程度上抑制齿轮啮合强振动及噪声的干扰,增强并有效提取出滚动轴承早期低频微弱故障特征。 相似文献
10.