检索结果-南通市图书馆

在线全文

学校读者我要写书评

暂无评论

基于改进MOMEDA的齿轮箱复合故障诊断

振动．测试与诊断 2018年第1期38卷 176-181页

作者：王志坚王俊元张纪平赵志芳寇彦飞中北大学机械工程学院太原030051

总体经验模态分解(ensemble empirical mode decomposition,简称EEMD)对信号分解时由于白噪声选取不当,常造成能量泄露;通过计算多点峭度可以提取冲击性故障周期,但在强噪声环境下其追踪效果并不理想;考虑到多点最优最小熵反褶积(multip... 详细信息

总体经验模态分解(ensemble empirical mode decomposition,简称EEMD)对信号分解时由于白噪声选取不当,常造成能量泄露;通过计算多点峭度可以提取冲击性故障周期,但在强噪声环境下其追踪效果并不理想;考虑到多点最优最小熵反褶积(multipoint optimal minimum entropy deconvolution adjuste,简称MOMEDA)提取故障时准确度受到故障周期区间范围的影响,提出了基于组合模态函数-多点最优最小熵反褶积(combined mode function-multipoint optimal minimum entropy deconvolution adjuste,简称CMF-MOMEDA)的自适应齿轮箱复合故障特征提取方法。首先,通过EEMD对信号分解,将信号按高低频依次分开;其次,取与原信号相关性强的本征模态函数,通过组合模态函数(combined mode function,简称CMF)将原信号分解为高低两个频带C_h和C_L,分别求其多点峭度谱图,提取故障周期成分;然后,设定合适的周期范围,通过MOMEDA提取故障特征;最后,将该方法应用于齿轮箱故障特征提取,以验证其可行性。

关键词：复合故障特征提取强噪声环境多点最优最小熵反褶积组合模态函数

基于瞬时角速度信号的滚动轴承故障特征增强提取

在线全文

学校读者我要写书评

暂无评论

基于瞬时角速度信号的滚动轴承故障特征增强提取

作者：朱云贵昆明理工大学

学位级别：硕士

滚动轴承是旋转机械设备的关键组成部件,为转轴提供支撑,并且能够减小摩擦和提高机械设备运行过程中的旋转精度。当滚动轴承发生局部故障时,轻则影响机械设备正常运行或停机,造成企业的经济损失;重则可能导致人员伤亡等无法挽救的重大... 详细信息

滚动轴承是旋转机械设备的关键组成部件,为转轴提供支撑,并且能够减小摩擦和提高机械设备运行过程中的旋转精度。当滚动轴承发生局部故障时,轻则影响机械设备正常运行或停机,造成企业的经济损失;重则可能导致人员伤亡等无法挽救的重大事故。因此,提取滚动轴承故障特征实现其故障诊断,对保障企业安全生产和提高经济效益具有重要意义。振动分析是提取滚动轴承故障特征常用方法之一,且在国内外专家的不懈努力下取得了丰富的研究成果。然而,振动信号的拾取通常需要在轴承座或设备外壳上外置安装振动传感器,这对工业机器人等工作时需要做较大范围复合运动的机械设备的传感器安装带来了较大困难。另一方面,滚动轴承故障信息相对较弱,易受转轴、齿轮等严格周期性分量的干扰,导致其故障特征提取较为困难。与振动传感器相比,旋转编码器通常同轴安装,且基于编码器的IAS信号与转轴动力学特性直接相关,具有干扰少、传递路径短等优点。因此,本文基于IAS信号开展滚动轴承弱故障特征增强提取研究。主要工作内容如下:(1)针对滚动轴承故障信息较弱的故障特征难以提取的问题,提出了一种滚动轴承故障IAS信号特征增强提取方法。首先,运用向前差分法估计获取IAS信号;然后,利用DPA算法抑制或消除转频及其谐波等严格周期性分量的干扰,获得蕴含丰富轴承故障信息的剩余分量;再使用MOMEDA算法对剩余信号中轴承故障冲击进行增强;最后,通过包络阶次谱分析提取故障特征。(2)针对MCKD算法参数组合人为经验确定和LMD算法适合PF分量的选取在滚动轴承故障特征提取中的不足,提出了一种基于参数自适应MCKD和LMD的滚动轴承故障特征提取方法。首先,以包络熵作为GWO算法的适应度函数自适应确定MCKD算法滤波器长度L和移位数M优化组合,应用参数优化的MCKD算法对故障冲击分量进行增强处理;然后,利用LMD对信号进行自适应分解,以相关峭度为评价指标选取蕴含丰富故障信息的PF分量;最后,通过包络阶次谱分析揭示故障特征。通过仿真信号和对应轴承实验台实测外圈数据进行处理分析,验证了所提方法的有效性,为解决振动检测受限场合的滚动轴承故障诊断提供了参考。

关键词：滚动轴承瞬时角速度多点最优最小熵反褶积局部均值分解故障特征增强提取

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

高浓盘磨机主轴轴承故障诊断

高浓盘磨机主轴轴承故障诊断

作者：韩东锦沈阳工业大学

学位级别：硕士

高浓盘磨机是造纸工业中一种重要的磨浆设备,其稳定磨浆的能力直接影响企业的经济效益。高浓盘磨机主轴属于精密主轴,磨盘精磨区间距的最小处不足0.1mm,如果其运转不够稳定,动盘运行在偏斜情况下,会引起磨盘的碰撞。“碰盘”现象的发生... 详细信息

高浓盘磨机是造纸工业中一种重要的磨浆设备,其稳定磨浆的能力直接影响企业的经济效益。高浓盘磨机主轴属于精密主轴,磨盘精磨区间距的最小处不足0.1mm,如果其运转不够稳定,动盘运行在偏斜情况下,会引起磨盘的碰撞。“碰盘”现象的发生对高浓盘磨机的损害是巨大的。主轴轴承作为高浓盘磨机主轴系统承担载荷的重要部件,在运转过程中受到交变载荷的冲击下,容易使主轴轴承发生故障,从而影响高浓盘磨机的运转。因此,对高浓盘磨机主轴轴承故障诊断的研究是十分必要的。首先,对高浓盘磨机主轴轴承工作特点进行了分析研究,并对高浓盘磨机主轴轴承故障振动信号成分进行了分析。针对高浓盘磨机在实际工况下,振动噪声掩盖故障信息的问题,引入多点最优最小熵反褶积方法,实现对原始振动信号的降噪和增强周期性脉冲冲击特征。通过搭建轴承故障实验台,进行轴承故障数据的采集。为了模拟高浓盘磨机实际工况,对采集的故障信号中添加噪声,并通过对比实验验证高浓盘磨机主轴轴承故障仿真信号的降噪和特征增强效果,为实现高浓盘磨机主轴轴承故障特征提取提供了重要保障。其次,提出基于混沌改进水母优化算法的变分模态分解方法,实现对高浓盘磨机主轴轴承故障特征的自适应提取。通过对比实验,验证变分模态分解与经验模态分解和局部均值分解方法提取信号特征的能力。针对变分模态分解中需要人为设定分解个数和惩罚项系数的缺陷,通过引入水母优化算法对变分模态分解进行优化,并改进优化算法中的混沌映射来提高其性能,实现对不同类型故障信号的自适应参数确定和分解。通过对比实验对该方法的特征提取能力进行验证。最后,提出基于空间注意力校准的密集连接卷积网络实现对高浓盘磨机主轴轴承故障分类。为解决传统人工识别高浓盘磨机主轴轴承故障所需要雄厚的专家经验,以及数据中关键信息不能得到有效提取等问题,引入密集连接卷积网络对滚动轴承故障进行准确识别。引入空间注意力机制,形成空间注意力校准的密集连接卷积网络,并设计两种压缩模块,实现模型的压缩。在实际工况下采集高浓盘磨机主轴轴承振动信号,并通过所提出的故障诊断方法实现了对于高浓盘磨机主轴轴承的故障诊断,对保证高浓盘磨机稳定运行具有实际意义。

关键词：高浓盘磨机多点最优最小熵反褶积变分模态分解密集连接卷积网络故障诊断

转炉倾动装置传动系统齿轮故障机理及诊断方法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

转炉倾动装置传动系统齿轮故障机理及诊断方法研究

作者：游俊武汉科技大学

学位级别：硕士

作为钢铁生产中的重要设备,全悬挂转炉倾动装置因其工作特点和环境,易发生故障造成损失。当前针对全悬挂转炉倾动装置的动力学行为研究,多采用集中质量模型研究其扭转特性,而忽略系统横向弹性引起的弯扭耦合效应;此外,超低速重载运行环... 详细信息

作为钢铁生产中的重要设备,全悬挂转炉倾动装置因其工作特点和环境,易发生故障造成损失。当前针对全悬挂转炉倾动装置的动力学行为研究,多采用集中质量模型研究其扭转特性,而忽略系统横向弹性引起的弯扭耦合效应;此外,超低速重载运行环境下,系统齿轮故障动力学机理及诊断方法亟需深入研究。为此,本文综合考虑转炉倾动装置结构特点以及易损部位建立了转炉倾动装置四合一多点啮合齿轮系统弯扭耦合动力学模型,并基于拉格朗日方程法建立其运动微分方程。考虑齿轮故障引起的时变刚度特性,建立了含齿轮故障倾动装置动力学模型;然后采用Newmark-β法分析了正常状态和故障状态下（齿轮断齿、裂纹、磨损）系统的振动响应,揭示了齿轮故障机理;并针对齿轮裂纹故障的定性诊断提出了一种信号分析方法。本文具体研究内容如下:（1）分析了转炉倾动装置的结构特点,针对其齿轮传动系统,利用集中质量法建立转炉倾动装置四合一多点啮合齿轮系统弯扭耦合动力学模型。（2）基于能量法计算了正常齿轮的啮合刚度,随后通过Hypermesh联合Workbench准静态算法计算验证了能量法计算的准确性。最后针对三种常见的齿轮故障（断齿、裂纹、磨损）,建立了故障时的能量法刚度计算模型,并计算了几种故障状态下齿轮啮合刚度。（3）根据建立的四合一多点啮合齿轮系统弯扭耦合动力学模型,运用Newmark-β法计算系统正常状态下的振动响应;同时运用Workbench建立倾动装置主体四合一齿轮传动系统有限元仿真模型,分析验证集中质量模型的正确性;随后嵌入故障时变啮合刚度建立了含故障（齿轮断齿、裂纹、磨损）系统动力学模型,计算故障系统动力学响应,研究了倾动机构齿轮故障动力学机理。（4）针对主动小齿轮裂纹故障的定性诊断,本文提出一种改进的多点最优最小熵反褶积（MOMEDA）结合包络谱法,将小波包去噪作为故障信号的前处理手段,并且提出故障包络能量占比作为量化指标。在理论求解的裂纹动力学响应中加入高斯白噪声模拟实际背景噪声干扰,研究表明单纯的MOMEDA方法无法找到故障特征频率,而通过改进的MOMEDA包络谱法可以成功找到故障边频带,说明了本文所提出方法的有效性。

关键词：转炉倾动装置啮合刚度动力学模型故障机理多点最优最小熵反褶积

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

轴向柱塞泵轴承故障特征提取系列方法研究

轴向柱塞泵轴承故障特征提取系列方法研究

作者：肖朝昂温州大学

学位级别：硕士

轴向柱塞泵是液压系统中的核心动力元件,长期处于高速、重载等工况下运行,轴承、柱塞等关键零部件容易出现磨损、断裂等故障形式,导致轴向柱塞泵不能长期稳定工作。由于泵在工作时随着主轴的旋转,柱塞在缸体内进行往复运动,会诱发强烈... 详细信息

轴向柱塞泵是液压系统中的核心动力元件,长期处于高速、重载等工况下运行,轴承、柱塞等关键零部件容易出现磨损、断裂等故障形式,导致轴向柱塞泵不能长期稳定工作。由于泵在工作时随着主轴的旋转,柱塞在缸体内进行往复运动,会诱发强烈的周期性脉冲,大部分故障信息被淹没,从而给故障诊断带来了挑战。因此,本文以轴向柱塞泵为研究对象,对振动信号中噪声的抑制以及故障信息的分离进行了深入研究。论文主要研究内容安排如下:1.针对轴向柱塞泵振动信号中自然周期性脉冲过于强烈,故障脉冲无法分离的问题,提出了基于改进快速谱相关算法的故障频段定位方法。该方法利用峭度增强谱熵指标从循环谱相关图的整个频带中寻找出故障频段位置,结合平方增强包络谱进一步提取故障特征频率。仿真及实验结果表明,该方法可以快速且准确地分离出振动信号中的轴承故障信息,确认故障类型。2.针对常用反褶积方法的参数需要先验知识以及人为确定存在随机性的问题,提出了基于自适应多点最优最小熵反褶积和Teager能量算子的故障特征提取方法。该方法基于多点峭度谱确定反褶积周期,利用改进的进退算法搜索最合适的滤波器长度,克服了参数设置的不确定性,提高了反褶积处理的精度。与传统的反褶积方法对比,该方法在轴向柱塞泵振动信号的实际应用中有较大的优势。3.针对故障信号分解方法中的分量无法自适应选取以及分量中噪声残留的问题,提出了基于模糊熵的改进奇异谱分解故障特征提取方法。根据模糊熵指标,从故障信号中筛选出包含较多故障信息的奇异谱分量,并去除仅含有自然脉冲信息的奇异谱分量。同时,利用软阈值消噪方法抑制奇异谱分量中的噪声。该方法在分析轴向柱塞泵的振动信号时表现出了较强的鲁棒性和较高准确性,可以推广到其它复杂液压设备的故障检测中。

关键词：轴向柱塞泵快速谱相关多点最优最小熵反褶积模糊熵奇异谱分解特征提取

转炉齿轮传动系统裂纹动力学特性及诊断方法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

机械设计 2023年第12期40卷 23-30页

作者：游俊吕勇鲁志文袁锐吴利锋武汉科技大学冶金装备及其控制教育部重点实验室湖北武汉430081 武汉科技大学机械传动与制造工程湖北省重点实验室湖北武汉430081

当前针对全悬挂转炉倾动装置的动力学行为研究,多采用集中质量模型研究其扭转特性,而忽略系统横向弹性引起的弯扭耦合效应。此外,超低速重载运行环境下,系统齿轮故障动力学机理及诊断方法亟需深入研究。为此,首先基于拉格朗日方程法建... 详细信息

当前针对全悬挂转炉倾动装置的动力学行为研究,多采用集中质量模型研究其扭转特性,而忽略系统横向弹性引起的弯扭耦合效应。此外,超低速重载运行环境下,系统齿轮故障动力学机理及诊断方法亟需深入研究。为此,首先基于拉格朗日方程法建立了转炉倾动装置多点啮合齿轮传动系统弯扭耦合动力学模型;其次,考虑裂纹引起的时变刚度特性,建立了含裂纹故障倾动装置动力学模型;然后采用Newmark-β法对正常及裂纹故障下的动力学响应进行求解。结果表明:当存在裂纹时,时域响应出现因裂纹引起的明显冲击,对应频域出现幅值极小的边频带,然而由于裂纹故障特征的微弱性,此特征容易被淹没在噪声中,难以诊断。因此,最后考虑现场噪声干扰,提出了改进的多点最优最小熵反褶积包络谱法,通过对比直接包络谱法,其故障包络谱能量占比提高了8.4倍,显示了该方法的优越性和有效性。本研究为转炉倾动装置齿轮裂纹动力学机理及诊断提供了理论依据和方法参考。

关键词：动力学模型齿轮裂纹多点最优最小熵反褶积包络谱

基于AR-MOMEDA的车辆齿轮箱故障诊断方法

在线全文

学校读者我要写书评

暂无评论

机械设计与制造工程 2021年第3期50卷 50-54页

作者：武雅文董小瑞韩啸风赵鑫中北大学能源动力工程学院山西太原030051

在齿轮箱故障诊断过程中,多点最优最小熵反褶积(MOMEDA)能够连续提取周期脉冲,对信号的处理效率优于传统的最小熵反褶积(MED)。但MOMEDA在故障诊断中抗噪声能力差,故障频率容易淹没在噪声中,导致错误诊断。为此首先对振动信号进行预处理... 详细信息

在齿轮箱故障诊断过程中,多点最优最小熵反褶积(MOMEDA)能够连续提取周期脉冲,对信号的处理效率优于传统的最小熵反褶积(MED)。但MOMEDA在故障诊断中抗噪声能力差,故障频率容易淹没在噪声中,导致错误诊断。为此首先对振动信号进行预处理,将振动信号分为高频含噪分量以及低频剩余分量;然后提出一种AR-MOMEDA算法,对高频信号分量进行降噪。仿真实验以及工程应用结果表明,该方法比传统的MOMEDA更能够有效地提取故障特征,具有较强的抗噪能力。

关键词：多点最优最小熵反褶积齿轮箱故障诊断