排序方式: 共有11条查询结果,搜索用时 0 毫秒
1.
2.
3.
4.
5.
旋转机械振动信号中的冲击特征通常代表着轴承损伤、齿轮损伤等常发故障的出现,为了准确提取信号中的冲击分量,提出一种基于改进群延迟估计的同步压缩变换时频分析方法。分析时间重分配同步压缩变换原型算法在处理实际强频变信号时的特性,发现其易导致明显的时频模糊问题。构建基于局部最大搜索算法的改进型经典群延迟估计方法,以克服TSST在分析强频变信号时带来的时频模糊问题,并在此基础上提出了群延迟自适应估计策略。形成一种基于改进群延迟估计的自适应同步压缩变换方法,在其基础上提出一种振动信号中脉冲特征提取方法。仿真信号和试验数据分析结果表明,该方法可较准确地提取出振动信号中的冲击特征,相较其他常用时频分析方法能够生成更为聚集的时频表示。 相似文献
6.
齿轮发生故障后,由于采集到的振动信号同时包含故障冲击、确定性啮合信号及噪声等多种信号,同时,各种信号还会受传递路径的影响,使得齿轮故障特征提取难度较大。倒频谱分析是常见的齿轮故障诊断方法,能将边频带中的周期成分显示为单根谱线,有助于故障诊断,但当故障特征信号较微弱时,倒频谱中得到的故障特征并不明显。为此,提出一种特征增强倒频谱分析方法,利用最小熵解卷积、自回归线性预测和小波去噪3种特征增强方法,逐步增强齿轮振动信号中的故障冲击特征,再利用倒频谱进行故障特征提取。通过实验,验证了所提方法的有效性。 相似文献
7.
8.
在变转速工况下,齿轮箱滚动轴承的振动信号呈现强烈的非平稳性特征,导致无法对其进行故障诊断。针对这一问题,提出了一种基于转速提取和优化调制信号双谱(MSB)的滚动轴承故障诊断方法。首先,利用同步提取变换(SET),从原始振动信号中提取了参考轴的瞬时转速;再对原始信号进行了预白化和最小熵反褶积(MED)滤波,得到了特征增强的降噪信号,并结合提取的转速信号进行了角域重采样,建立了阶次域调制信号双谱(MSB);基于MSB分布,构造了更能体现主导调制分量与载波分量非线性耦合程度的改进载波谱;最后,根据改进载波谱对载波切片进行了择优挑选,结合MSB和双谱相干函数构造了改进调制谱,进一步消除了噪声的干扰,从而提取到了滚动轴承的显著故障特征。研究结果表明:该方法可以用于有效提取变转速齿轮箱滚动轴承的故障特征阶次,从而实现对滚动轴承进行有效的故障诊断;与传统的诊断方法相比,该方法具有明显的优势。 相似文献
9.
针对变速齿轮在某一转速范围内运行时产生共振导致强烈振动的问题,有效地对变速齿轮啮合频率进行评估是减少和规避此类故障的关键。但由于变速齿轮振动信号在时域呈现非平稳性,传统的齿轮信号分析方法无法有效地提取出特征频率,并且齿轮箱振动源较多且存在背景噪声,导致阶次谱成分复杂。有鉴于此,将阶次跟踪和经验模态分解相结合,提出一种基于阶次跟踪的变速齿轮啮合频率振动评估方法。首先采用阶次跟踪方法对某转速下齿轮的时域信号进行等角度重采样;然后对阶次域信号进行经验模态分解,提取出包含齿轮啮合信息的本征模函数(Intrinsic Mode Function,IMF)分量;再利用阶次谱分析提取出齿轮啮合阶次所对应的幅值;最后通过比较不同转速下的齿轮啮合阶次的幅值大小,对齿轮的振动变化进行评估。在实际现场齿轮信号的应用结果表明:该方法得到的阶次谱中啮合阶次明显,并且能够有效地实现变速齿轮的共振转速识别。 相似文献
10.
针对双转子轴承复杂信号故障特征难提取、工程中某些类型的故障数据缺乏时卷积神经网络(convolution neural network,简称CNN)难训练的问题,提出一种基于改进CNN和Kmeans的双转子轴承半监督故障诊断方法。首先,利用自回归(autoregressive,简称AR)模型对双转子轴承信号去噪,并基于傅里叶变换得到信号频谱作为CNN输入;其次,以Morlet小波基频域函数作为激活函数构建CNN,结合Softmax损失和提出的权重内积最小化损失在少类别训练数据下训练CNN;最后,基于Kmeans聚类算法分析CNN线性输出确定无标签数据伪标签,并结合半监督学习中自训练思想迭代CNN更新伪标签,继而依据伪标签划分双转子轴承正常、已知故障和未知故障状态。利用双转子轴承故障模拟试验台数据进行验证,结果表明,在少类别训练数据下,其诊断效果相较于人工神经网络(artificial neural network,简称ANN)等方法更佳,诊断准确率达到了100%,验证了所提方法的有效性。 相似文献