下载文档原格式
基于小波-倒频谱的齿轮故障诊断方法及应用摘要: 利用振动信号采集到的齿轮故障信息，依据点蚀的故障机理和频谱特征，采用小波分解将信号分解在不同频带，选择故障所处频带重构信号，对故障进行诊断。
结合倒频谱方法有效地识别故障特征频率。
结果表明小波分析与倒频谱相结合是齿轮故障检测中一种有效的诊断方法。
关键词: 齿轮；故障；小波分析；倒频谱1 引言随着现代机械对齿轮传动的要求日益提高，减速器在国民经济生产中发挥越来越重要的作用，因此其故障诊断一直是学者们研究的热点。
当齿轮存在局部故障时，由于振动产生瞬态的冲击信号，啮合频率及其谐波被调制频率紧紧包围而形成密集边频带，同时由于受噪声的干扰，故障信息往往淹没于强大的噪声中。
这给诊断带来一定的困难。
采用基于傅里叶变换的传统信号处理方法，分别仅从时域或频域给出信号的统计平均结果，无法同时兼顾信号在时域和频域的全貌和局部变化特征，而这些局部化特征恰恰是故障的表征。
解调分析传统的方法包括Hilbert变换和检波解调法，它们形成包络信号进行带通滤波时都需要依靠经验来确定带通滤波器的中心频率和带宽，这在主观上给分析结果带来较大的影响。
由于小波变换具有时频局部化和多分辨特性，从根本上克服了傅里叶分析以单个变量描述信号的缺点，因此小波技术适合于处理非平稳信号[1-3]。
但是小波由于受Heisenberg测不准原理的限制，使其不可能在时域和频域都有很高的分辨率，使得单单采用小波技术对诊断密集边频带准确性和可靠性有一定的局限。
基于小波-倒频谱分析的方法则利用小波多分辨特性，消除背景噪声检测微弱的故障信号，结合倒频谱技术可以分离和提取出密集边频中的故障特征成分，因此是齿轮故障检测中一种有效的诊断方法。
2 小波-倒频谱方法原理2.1 小波技术分解原理如果函数满足以下容许条件：3 齿轮故障诊断的实例应用图1 . db5小波5层分解图（a）为点蚀小波五层分解图（b）为正常信号小波五层分解图从图1中我们发现，正常信号的细节信号有一定的周期性，而点蚀故障信号由于其突变的冲击脉冲作用存在着一定的周期性，导致了其与原有的周期发生耦合作用，而减弱了原有周期性。
基于参数优化变分模态分解和多尺度熵偏均值的行星变速箱故障特征提取杨大为;赵永东;冯辅周;江鹏程;丁闯【摘要】针对某型装甲车辆行星变速箱行星轮故障特征难以提取的问题,提出了结合参数优化变分模态分解(VMD)和多尺度熵偏均值的故障特征提取方法.为克服VMD算法参数选取依赖经验的弊端,采用粒子群优化算法对VMD参数进行优化.使用参数优化后的VMD算法对信号进行分解,并依据互信息选取有效分量对信号进行重构.多尺度熵能反映信号在多尺度下的复杂度,偏均值可以反映多尺度熵的均值和变化趋势.采用基于多尺度熵的综合指标多尺度偏均值,以全面反映振动信号在多尺度下的特性,用于衡量行星变速箱运行状态,从而进行故障特征提取.行星变速箱实验数据处理结果表明,新方法可以更加有效的提取行星变速箱故障.【期刊名称】《兵工学报》【年(卷),期】2018(039)009【总页数】9页(P1683-1691)【关键词】行星变速箱;故障特征提取;变分模态分解;多尺度熵偏均值【作者】杨大为;赵永东;冯辅周;江鹏程;丁闯【作者单位】陆军装甲兵学院机械工程系,北京100072;陆军装甲兵学院机械工程系,北京100072;陆军装甲兵学院机械工程系,北京100072;陆军装甲兵学院机械工程系,北京100072;陆军装甲兵学院机械工程系,北京100072【正文语种】中文【中图分类】TJ810.3+21;TB52+60 引言某型装甲车辆行星变速箱长期工作于高温重载的恶劣环境，齿轮故障常有发生，而其负载常在大范围瞬时波动，弱化了故障产生的异常进而掩盖了故障，很难及时发现并进行有效处理，故障往往进一步发展恶化，进而严重影响变速箱正常运转，造成车辆机动性能下降，减弱整车的战斗力。
而某型行星变速箱结构复杂，含有多个定轴轮系和行星轮系，工作时多对齿轮啮合相互影响，信号分解难度较大。
振动传感器采集到的信号存在大量噪声干扰且受复杂的传递路径影响衰减严重，属于典型非线性非平稳信号，给故障特征提取工作带来困难。
基于小波矩特征信息的沿面放电阶段识别方法孙文星;林春耀;马志钦;杨贤;欧阳旭东;梁文进【摘要】沿面放电是电力变压器绝缘局部放电的主要形式之一,开展沿面放电发展特征的研究,对甄别变压器潜伏性故障具有重要意义,为此,根据典型的沿面放电模型,利用恒压法试验对其发展特征进行研究分析.针对沿面放电不同时间的信号样本,提取不同时间阶段局部放电灰度图像的小波矩特征参量.通过对特征参量的无监督系统聚类分析,建立一种基于聚类-多级支持向量机 (support vector machine,SVM)的不同放电阶段识别机制,将整个放电过程划分为了初始阶段、发展阶段、稳定阶段、预击穿阶段,为局部放电发展特性研究提出了一种创新方法.%Surface discharge is one of main forms of partial discharge (PD) of power transformer insulation.It is of importance to study development features of surface discharge for identifying latent faults of the transformer.Therefore, according to typical surface discharge model, this paper studies and analyzes development features of surface discharge by using constant voltage method for experiment.For signal samples at different time of surface discharge, it extracts wavelet moment feature parameters of PD grey images in different stages.By means of unsupervised clustering analysis on feature parameters, it establishes an identification mechanism for different discharge stages based on clustering-multistage support vector machine (SVM) to divide the whole discharge process into four stages including initial stage, development stage, stabilization stage and pre-breakdown stage.This mechanism has presented a kind of innovative method for studying PD development features.【期刊名称】《广东电力》【年(卷),期】2017(030)008【总页数】6页(P94-99)【关键词】油纸绝缘;沿面放电;小波矩特征;多级支持向量机;阶段识别【作者】孙文星;林春耀;马志钦;杨贤;欧阳旭东;梁文进【作者单位】广东电网有限责任公司电力科学研究院,广东广州 510080;广东电网有限责任公司电力科学研究院,广东广州 510080;广东电网有限责任公司电力科学研究院,广东广州 510080;广东电网有限责任公司电力科学研究院,广东广州510080;广东电网有限责任公司,广东广州 510600;广东电网有限责任公司电力科学研究院,广东广州 510080【正文语种】中文【中图分类】TM835油纸绝缘是电力变压器内部常见的绝缘方式，而局部放电又是造成绝缘劣化的主要原因之一。
小波分析在故障诊断中的应用摘要：小波分析技术具有多分辨率及良好的时域特性，为机械故障诊断提供了一条有效途径，本文以齿轮故障诊断为例，简要分析了小波分析技术在故障诊断中的应用。
关键词：小波分析；故障诊断；齿轮箱小波分析由于具有良好的时频局部化性能，已经在信号分析、图像处理、语音合成、故障诊断、地质勘探等领域取得一系列重要应用。
其多分辨率分析不仅应用于数字信号处理和分析、信号检测和噪声抑制，而且各种快速有效的算法也大大促进了小波分析在实际系统中的应用，使得小波及相关技术在通信领域中的应用也得到了广泛的研究，已逐步用于通信系统中的信号波形设计、扩频特征波形设计、多载波传输系统等。
被誉为数学显微镜的小波分析技术，为机械故障诊断中的非平稳信号分析、弱信号提取、信噪分离等提供了一条有效的途径，国内外近年来应用小波分析进行机械故障诊断的研究发展十分迅速，但就目前应用现状来看，还存在一些问题，限制了小波分析优良性质的发挥[1]。
一、小波分析理论小波分析方法具有对低频信号在频域里有较高分辨率，对高频信号在时域里也有较高的分辨率的特点，具有可调窗口的时频局部分析能力，弥补了傅立叶变换和快速傅立叶变换的不足。
目前，一般认为离散小波分析、多分辨率分析、连续小波分析及后来发展的小波包分析等都是小波理论的不同方面，是在小波理论发展的过程中不断繁衍产生的，这些方面都在故障诊断的应用中得到了体现。
㈠多分辨率分析小波分解相当于一个带通滤波器和一个低通滤波器，每次分解总是把原信号分解成两个子信号，分别称为逼近信号和细节信号，每个部分还要经过一次隔点重采样，再下一层的小波分解则是对频率的逼近部分进行类似的分解。
如此分解N次即可得到第N层(尺度N上)的小波分解结果。
在工程应用中，利用多分辨率分析可以对信号进行分解重构，不仅可以达到降噪的的目的，还可以识别在含噪声信号中有用信号的发展趋势。
㈡小波包分析小波包分解是从小波分析延伸出来的一种信号进行更加细致的分析与重构的方法。
基于小波分析的齿轮故障诊断研究的开题报告一、研究背景齿轮是机械工程中常用的传动装置，广泛应用于各种机械设备中。
由于长期使用或不可避免的制造缺陷等原因，齿轮会出现一系列故障，如齿面磨损、齿面断裂、齿根裂纹等，这些故障会导致齿轮传动精度下降、噪音变大、甚至造成机器损坏。
因此，对齿轮故障进行准确、及时的诊断和预测，对保证机械设备的正常运转和延长设备使用寿命具有重要意义。
传统的齿轮故障诊断方法主要基于振动信号分析，但振动信号中包含大量的噪声和干扰，会导致对故障的诊断结果不准确或者漏诊。
因此，如何提高齿轮故障诊断的准确性和稳定性，是当前研究的重点之一。
基于小波分析的齿轮故障诊断方法具有较高的灵敏度和鲁棒性，被广泛应用于齿轮故障诊断中，并取得了一定的研究成果。
本研究旨在对基于小波分析的齿轮故障诊断方法进行深入研究，分析其基本原理和数学模型，进一步探究其在齿轮故障诊断中的应用和优势。
二、研究内容1. 小波分析在齿轮故障诊断中的基本原理和数学模型；2. 基于小波分析的齿轮故障诊断系统设计；3. 齿轮故障信号采集和预处理；4. 小波压缩和去噪处理；5. 小波包分解方法的应用；6. 小波神经网络模型的构建；7. 齿轮故障诊断实验和分析。
三、研究目标1. 掌握小波分析在齿轮故障诊断中的基本原理和数学模型；2. 实现基于小波分析的齿轮故障诊断系统；3. 提高齿轮故障诊断的准确性和稳定性；4. 构建小波神经网络模型，对齿轮故障进行预测和预警。
四、研究方法1. 文献调研和资料收集，了解齿轮故障诊断和小波分析的相关理论和应用；2. 借助MATLAB软件，建立基于小波分析的齿轮故障诊断模型；3. 通过实验验证模型的准确性和稳定性。
五、研究意义齿轮故障诊断是机械工程领域的研究热点之一，其对保障机械设备的正常运转和提高机械设备的使用寿命具有重要意义。
本研究将基于小波分析的齿轮故障诊断方法进行深入研究，可以进一步提高齿轮故障诊断的准确性和稳定性，为机械设备的故障诊断和维护提供技术支持。
小波变换在故障诊断中的应用故障诊断是一项重要的技术，它可以帮助我们快速准确地找出设备或系统中的问题，并采取相应的措施进行修复。
而小波变换作为一种信号处理技术，在故障诊断中发挥着重要的作用。
本文将探讨小波变换在故障诊断中的应用，并分析其优势和局限性。
一、小波变换的基本原理小波变换是一种时频分析方法，它可以将信号分解成不同频率的成分，并提供信号的时域和频域信息。
其基本原理是将信号与一组基函数（小波函数）进行卷积运算，得到小波系数。
通过对小波系数的分析，可以获得信号的频率、幅值和相位等信息。
二、1. 故障特征提取小波变换可以将信号分解成不同频率的成分，因此可以用于提取故障信号中的特征。
例如，在机械故障诊断中，通过对振动信号进行小波分解，可以提取出不同频率的共振峰，从而确定故障类型和位置。
类似地，在电力系统故障诊断中，可以通过小波变换提取出电流或电压信号中的谐波成分，以判断是否存在电力设备的故障。
2. 故障诊断与分类小波变换可以将信号分解成多个尺度的小波系数，这样可以提供多尺度的频率信息。
在故障诊断中，我们可以利用这一特性进行故障分类。
例如，在机械故障诊断中，可以通过对振动信号进行小波分解，得到不同频率范围内的小波系数，然后利用机器学习算法对这些系数进行分类，从而实现对不同故障类型的自动识别。
3. 故障定位小波变换可以提供信号的时域和频域信息，因此可以用于故障的定位。
例如，在电力系统故障诊断中，可以通过小波变换将电流或电压信号分解成不同频率的小波系数，然后通过分析不同频率范围内的系数变化，确定故障的位置。
类似地，在机械故障诊断中，可以通过小波变换将振动信号分解成不同频率范围的小波系数，然后通过分析这些系数的幅值变化，确定故障的位置。
三、小波变换在故障诊断中的优势和局限性小波变换在故障诊断中具有以下优势：1. 多尺度分析：小波变换可以提供多尺度的频率信息，从而可以更全面地分析信号的特征。
2. 时频局部性：小波变换可以提供信号的时域和频域信息，并且在时频领域内具有局部性，能够更准确地描述信号的瞬态特征。
汽车变速箱故障诊断与分析作者：刘博来源：《时代汽车》2019年第19期摘要：随着汽车工业的不断发展，各种车系的自动变速箱也做了很多相应的改进和创新。
通过对变速箱的发展过程进行了了解，本文通过对变速箱在运转过程中，常见的故障进行了分析和判断，对汽车行驶过程中启动变速箱遇到的故障分析和排除。
汽车变速器作为汽车整体构成中的重要部件，对于汽车的运行具有重要的意义。
关键词：汽车变速箱;故障;维修1 变速箱的原理及功能1.1 变速箱原理作为汽车的重要组成部件，汽车变速箱俗称为“变速箱”，而在汽车工业中也被成为“变速机”。
汽车变速机是一种为汽车提供变换动力的一种机械装置。
汽车的行驶状况非常复杂，在行驶过程中避免不了出现减速减速和制动等过程，这些过程伴随着起步、低俗、加速、减速、高速或停车等状况，而汽车变速箱就是促使这些功能实现的重要因素，所以汽车变速箱是整个汽车系统的重要组成部分。
全自动变速器主要设计原理是将变速器设计在前进档位的前面，这样不需要驾驶者进行其他的手动操作，汽车在行进的过程中会自动的控制离合器以及档位，只要在车上自动按钮就可以实现。
而手动变速器的时代，需要驾驶者在发动机启之前踩住离合器装置，同时在根据路面的判断进行汽车的档位的变换和控制，从而实现汽车的正常运行，这种情况下司机的注意力收到分散，对于驾驶的安全性嗯呢过来说也是不利的，自动变速器在设计上更加的科技化，能够更加促进驾驶的安全性以及稳定性。
要想了解自动变速器的原理。
我们需要对于变速器的组成零件进行了解，对于各元件的功能以及实现的方式进行研究和控制，在对于齿轮控制方面自动变速器能够更加有效地实现自动控制，成为汽车的重要组成。
1.2 变速箱功能第一，通过变换档位改变汽车转速，转速的改变调整了汽车的不同行驶速度，这样就满足了汽车在不同的驾驶条件下的速度要求。
如果在没有变速箱的情况下，光靠发动机调节汽车驾驶基本上是不可能的，而且还会对发动机产生一定的损害。
2024年第48卷第2期Journal of Mechanical Transmission基于MTF-ResDSCNN二维图像的故障诊断方法胡孟楠1杨喜旺1黄晋英2胡宏俊1王成3（1 中北大学大数据学院，山西太原030051）（2 中北大学机械工程学院，山西太原030051）（3 陆军装备部驻北京地区某军代室，北京100000）摘要为了有效捕获旋转机械振动信号中蕴含的故障特征，进而高效地完成故障诊断任务，设计了一种将二维特征图像和轻量化神经网络相结合的故障诊断模型。
首先，将采集到的一维振动信号以改进的集成经验模态分解（Modified Ensemble Empirical Mode Decomposition，MEEMD）算法进行分解，得到本征模态函数（Intrinsic Mode Function，IMF）分量，并筛选相应的IMF分量进行求和重构，以增强振动信号的幅值波动，进而使得马尔科夫变迁场（Markov Transition Field，MTF）能够更为有效地表征重构信号中的故障特征；然后，将MTF生成的二维特征图像输入到残差深度可分离卷积神经网络（Residual Depth Separable Convolutional Neural Network，ResDSCNN）模型中，进行特征提取与故障诊断。
使用行星齿轮箱故障数据集验证了模型性能。
结果表明，该模型对于各类齿轮故障的诊断正确率可达98%以上。
关键词马尔科夫变迁场深度可分离卷积故障诊断改进的集成经验模态分解Fault Diagnosis Method Based on MTF-ResDSCNN Two-dimensional Image Hu Mengnan1Yang Xiwang1Huang Jinying2Hu Hongjun1Wang Cheng3(1 School of Big Data, North University of China, Taiyuan 030051, China)（2 School of Mechanical Engineering, North University of China, Taiyuan 030051, China）（3 Representative Office of Army Equipment Department in Beijing District, Beijing 100000, China) Abstract In order to effectively capture the fault features contained in the vibration signals of the rotating machinery and complete the fault diagnosis task efficiently, a fault diagnosis model combining two-dimensional image features and lightweight neural network is designed. Firstly, the collected one-dimensional vibration signals are decomposed by modified ensemble empirical mode decomposition (MEEMD) to obtain the intrinsic mode function (IMF) components, and the corresponding IMF components are selected for sum reconstruction to enhance the amplitude fluctuation of vibration signals. Then, Markov transition field (MTF) could be used to more effectively characterize the fault features in the reconstructed signals. Secondly, the 2D feature map generated by MTF is input into residual depth separable convolutional neural network (ResDSCNN) for feature extraction and fault diagnosis. The planetary gearbox fault data set is used to verify the performance of the model, and the results show that the diagnosis accuracy of the model for all kinds of gear faults can reach more than 98%.Key words Markov transition field Depth separable convolution Fault diagnosis MEEMD0 引言随着现代科学技术的不断发展，与国民经济相关行业的机械装备日益大型化、集成化和自动化。
