基于ASTFA和PMMFE的齒輪故障診斷方法
本文選題:故障診斷 + 自適應最稀疏時頻分析 ; 參考:《振動工程學報》2016年05期
【摘要】:提出一種新的反映信號復雜度或非線性度的方法——多尺度模糊熵偏均值(PMMFE),PMMFE是在多尺度模糊熵的基礎上提出的。多尺度模糊熵雖然包含不同尺度上的時間模式信息,反映了信號的內在特征,但是對于特征相近的信號,其在絕大部分尺度上的表征并不理想。PMMFE綜合考慮多個尺度的模糊熵值,利用不同尺度上模糊熵值的偏態(tài)分布特性來定量表征信號的復雜度或非線性度,更加準確地反映信號的特征。但是齒輪箱中的齒輪故障振動信號是多源振動信號,需將齒輪振動本源信號分離出來才能進行特征提取。自適應最稀疏時頻分析方法(ASTFA)根據(jù)齒輪嚙合頻率確定初始相位函數(shù)就可以有效分離齒輪故障振動本源信號。將ASTFA和PMMFE相結合用于齒輪故障診斷,首先采用ASTFA分離齒輪箱中的齒輪故障振動信號,其次計算該信號的多尺度模糊熵,再根據(jù)多尺度模糊熵計算PMMFE。實驗分析結果表明該方法能夠有效判別齒輪箱中的齒輪故障及其類型。
[Abstract]:A new method to reflect the complexity or nonlinearity of signals - multiscale fuzzy entropy partial mean (PMMFE) is proposed. PMMFE is proposed on the basis of multiscale fuzzy entropy. The multi-scale fuzzy entropy, although it contains the time pattern information on different scales, reflects the intrinsic characteristics of the signal, but it is extremely large for the signals with similar characteristics. The characterization of the partial scale is not ideal for.PMMFE to consider the fuzzy entropy of multiple scales, using the characteristics of the partial distribution of fuzzy entropy on different scales to quantify the complexity or nonlinearity of the signal, and more accurately reflect the characteristics of the signal. But the gear fault vibration signal in the gear box is a multi source vibration signal. An adaptive most sparse time-frequency analysis method (ASTFA) can effectively separate the source signal of the gear fault vibration according to the gear meshing frequency to determine the original signal of the gear fault vibration. The ASTFA and PMMFE are combined to the gear fault diagnosis. First, the gear fault in the gear box is separated by ASTFA. Secondly, the multi scale fuzzy entropy of the signal is calculated, and the result of PMMFE. experimental analysis based on the multiscale fuzzy entropy calculation shows that the method can effectively distinguish the gear fault and its type in the gear box.
【作者單位】: 湖南大學汽車車身先進設計制造國家重點實驗室;
【基金】:國家自然科學基金資助項目(51375152,51575168) 智能型新能源汽車國家2011協(xié)同創(chuàng)新中心、湖南省綠色汽車2011協(xié)同創(chuàng)新中心資助項目
【分類號】:TH132.41
【相似文獻】
相關期刊論文 前10條
1 熊軍;李鳳英;沈玉娣;;齒輪故障診斷技術應用綜述[J];機床與液壓;2005年12期
2 周湛學;齒輪故障診斷的新方法[J];價值工程;1998年01期
3 趙章焰;齒輪故障診斷模糊判據(jù)的研究[J];振動與沖擊;2002年02期
4 李延斌,鄭 鵬,張文祥,陳長征;齒輪故障診斷技術現(xiàn)狀與展望[J];機械設計與制造;2002年02期
5 陳新國;程耕國;;基于小波分析的齒輪故障診斷方法的研究[J];機械傳動;2005年06期
6 駱志高;仇學青;田海泉;;齒輪故障診斷研究的國內現(xiàn)狀與發(fā)展方向[J];礦山機械;2006年01期
7 蘇文華;;提升機的減速機齒輪故障診斷[J];中國設備工程;2006年06期
8 王鳳利;馬孝江;;基于局域波時頻分析的齒輪故障診斷[J];農業(yè)機械學報;2006年12期
9 胡小江;;灰色系統(tǒng)理論在齒輪故障診斷中的應用[J];通用機械;2007年09期
10 楊德斌;楊聚星;陽建宏;章立軍;;基于聲信號分析的齒輪故障診斷方法[J];北京科技大學學報;2008年04期
相關會議論文 前7條
1 趙章焰;;齒輪故障診斷的原理及應用[A];中國的經(jīng)濟建設與21世紀的物料搬運技術——中國機械工程學會物料搬運分會第五屆學術年會論文集[C];1996年
2 劉立州;李志農;范濤;;分數(shù)階Fourier變換在齒輪故障診斷中的應用[A];2008年全國振動工程及應用學術會議暨第十一屆全國設備故障診斷學術會議論文集[C];2008年
3 張立國;張生;谷建平;康科;;小波包分析在齒輪故障診斷中的應用[A];第六屆全國信息獲取與處理學術會議論文集(3)[C];2008年
4 曹志錫;孫莉;;齒輪故障診斷信號分析處理的一種有效方法[A];中國職業(yè)安全健康協(xié)會2007年學術年會論文集[C];2007年
5 李長吾;呂江濤;張立國;陳白;;基于小波分析的齒輪故障診斷方法的研究[A];第三屆全國信息獲取與處理學術會議論文集[C];2005年
6 孫芳;柳亦兵;李明;趙凌波;;基于小波包與模糊模式識別的齒輪故障診斷方法[A];第25屆中國控制會議論文集(中冊)[C];2006年
7 劉鋒;馬懷祥;葛寶珊;;基于經(jīng)驗模態(tài)分解和包絡分析的齒輪故障診斷[A];現(xiàn)代振動與噪聲技術(第九卷)[C];2011年
相關碩士學位論文 前10條
1 趙志強;基于集合經(jīng)驗模式分解與徑向基函數(shù)神經(jīng)網(wǎng)絡的齒輪故障診斷[D];河北工程大學;2015年
2 龔男;基于多源信號的變轉速滾動軸承和齒輪故障診斷研究[D];中國礦業(yè)大學;2015年
3 趙鵬飛;基于LabVIEW的齒輪故障診斷系統(tǒng)設計[D];中北大學;2016年
4 胡長海;減速機齒輪故障診斷方法的研究[D];昆明理工大學;2009年
5 楊怡;基于局部均值分解的齒輪故障診斷方法[D];湖南大學;2012年
6 成瓊;基于小波分析的齒輪故障診斷研究[D];湖南大學;2001年
7 壽海飛;基于小波分析的齒輪故障診斷研究[D];浙江工業(yè)大學;2007年
8 王彬彬;小波分析在微動齒輪故障診斷的應用與研究[D];南昌大學;2010年
9 王文莉;基于高階譜的齒輪故障診斷與識別[D];武漢科技大學;2007年
10 王文歡;基于隱馬爾科夫模型的齒輪故障診斷[D];南昌航空大學;2014年
,本文編號:2014506
本文鏈接:http://sikaile.net/kejilunwen/jixiegongcheng/2014506.html