检索结果

Select

1. 一种齿轮故障协同诊断与预警方法

盛嘉玖, 陈果, 贺志远, 康玉祥, 王浩, 尉询楷

噪声与振动控制 2024, 44 (6): 111-115.

摘要（26）

PDF（pc）（2069KB）（7）

针对齿轮故障诊断与演化监测问题，提出一种快捷、有效的协同诊断与预警方法。首先，采用小波变换与相关性准则筛选反映齿轮故障冲击特性较强的共振频带；其次，通过Hilbert 变换获取包络解调信号，使用自相关滤除噪声干扰；然后，运用倒频谱将包络信号频谱上的一系列边频谱线简化为单根谱线，获取故障特征；最后，构建预警特征量：倒频谱幅值比(Cepstral Amplitude Ratio，CAR)，用于表征故障演化趋势。两组高采样频率公开数据集的分析结果表明：相比于其他典型方法和指标，所提协同诊断法得到的故障特征频率对应的谱峰更加清晰，所提指标可更好反映故障演化趋势。

相关文章 | 多维度评价

Select

2. 应用SDP点对称特征融合图像的行星齿轮箱故障诊断

崔宝珍, 彭智慧, 王浩楠, 任川, 高乐乐

噪声与振动控制 2023, 43 (4): 82-88.

摘要（255）

PDF（pc）（2697KB）（639）

行星齿轮箱的内部结构复杂，其振动信号呈现非线性、非平稳特点，通过对比两种对原始振动信号处理的方法，应用点对称特征融合图像（Symmetrized Dot Pattern，SDP）达到故障诊断的目的。第一种方法是将采集到的振动信号进行变分模态分解（Variational Mode Decomposition，VMD）并将各阶IMF分量通过SDP转换为极坐标图像；第二种方法是将多测点采集到的原始振动信号直接通过SDP 将时频信号转换为极坐标图像；利用卷积神经网络（Convolution Neural Network，CNN）对两种不同方式的SDP图像进行识别分类。通过行星齿轮箱故障实验台验证，结果表明时频融合能够更有效地实现故障诊断且分类准确率高达98.5 %。

相关文章 | 多维度评价

Select

3. 350 km/h高速列车车端连接处空腔噪声机理分析

王浩1，史佳伟1，韩健2，肖新标1

噪声与振动控制

Select

4. 分形与几何特征融合的转子故障特征提取方法

王浩1, 2，赵荣珍 1, 2

噪声与振动控制 2014, 34 (5): 166-170. DOI: 10.3969/j.issn.1006-1335.2014.05.037

摘要（157）

PDF（pc）（1612KB）（1004）

转子系统故障信号是典型的非线性、非平稳信号，分形几何为描述转子系统故障信号的特性提供了一个分析工具，但仅仅依靠分形维数无法有效的提取转子系统的故障特征。本文引入紧密度和丰度两个量，与基于的分形维数一起，对转子系统故障信号进行分析；最后采用神经网络技术对转子系统的正常、不对中、不平衡、碰磨、松动五种不同的运行状态进行分类识别。实验结果表明，通过对分形维数和紧密度、丰度的联合可较好地评定和区分转子系统的运行状态。