行星齿轮故障诊断的幅值解调分析

针对矿用齿轮箱振动信号的非平稳、非高斯等特点,提出了一种小波双谱分析的齿轮箱故障诊断方法。利用小波分解可将齿轮箱的振动信号分解到对应不同特征频率的频带,以提高频率分辨率和信噪比,然后有针对性地选择故障

通过判断齿轮箱是否存在故障、推断齿轮箱故障源的特征频率和分析齿轮箱故障的种类3个方面应用研究,得出滚动轴承的故障占主导地位。如果出现旋转轴的频率及高次谐波或出现啮合振动频率Fm的高次谐波(如2Fm、3

提出了一种基于数字信号处理器(DSP)和支持向量机(SVM)的风电齿轮箱故障诊断的方法。分解和提取了Libsvm代码移植于DSP芯片TMS320F28335,实现了支持向量机并应用于风电齿轮箱故障诊断

针对齿轮箱振动信号的非平稳和非线性特征,给出了一种基于经验模态分解(EMD)近似熵和双子支持向量机(TWSVM)的齿轮箱故障诊断方法。对不同类型的齿轮信号进行EMD分解,得到若干个具有不同时间尺度的本

针对传统煤矿机械齿轮故障诊断中非线性特征频率导致的信号分析处理要求高等问题,提出了一种基于人工神经网络的煤矿机械齿轮故障诊断方法。首先介绍了神经网络的基本原理及其建模方法。其次将机械齿轮故障敏感参数作

针对齿轮振动信号特征难以提取的现状,依据免疫系统的自适应,自学习特性,提出了自适应免疫选择模型,该模型中引入了自适应变异和3种抑制方式初始化抗体抑制、克隆抑制、检测器优化抑制,并利用该模型生成成熟故障

齿轮故障数据的建模因为数据复杂有一定的挑战性。提出将选择性集成学习技术引入到该领域,并将聚类算法用于选择性神经网络集成学习技术。对已有的选择性集成学习技术进行改进,构建了一个基于聚类的选择性神经网络。

针对单一的分类器用于旋转机械故障诊断时存在准确率不高的问题,提出一种基于随机森林算法的旋转机械齿轮组故障诊断方法。该方法利用随机森林多分类器组合决策树的思想,通过多分类器的组合学习提高故障诊断的准确率

介绍了故障树分析法并以电机温度过高故障为例,建立了故障树图,对引起异常故障进行定量分析,求出了顶事件发生概率和各底事件重要度较大的因素,找出引起该故障的主要原因,为技术人员提供参考和借鉴。

针对目前齿轮箱系统在利用神经网络故障诊断时存在正确识别率低和依靠经验选择参数的问题,提出了基于粒子群优化BP网络的齿轮箱故障诊断方法。简要介绍利用齿轮振动原理提取特征参数建立故障模型,该模型以齿轮箱特