为提取非平稳、强干扰振动信号的有效故障信息,并满足工程实践中变工况故障诊断需要,提出一种基于双谱分析的智能诊断方法。研究发现双谱幅值和分布特性在不同故障类型时具有显著差异性,在故障相同但工况不同时具有较大相似性。使用了主成分分析方法提取特征向量,通过线性变换将双谱映射到低维数据空间,并依据特征值累积贡献率确定主成分个数。故障辨识采用连续型隐马尔可夫模型,在4种工况下实现了3种故障程度的不同轴承状态判别,还实现了基于零载荷数据模型的工况鲁棒故障诊断。研究表明该诊断方法能适应载荷变化和转速波动,具有工况鲁棒的优点。 为了提高高速列车道旁轴承状态监测的准确性和可靠性,提出了一种消除信号中多普勒效应的方法。该方法首先应用短时傅里叶变换-Crazy Climber算法求取信号瞬时频率估计,然后结合基于运动学模型的时域重采样原理对信号重采样,重采样得到的信号就是消除了多普勒效应的信号。

www.wangaunjimuju.com自适应陷波器方法-电动折弯机数控滚圆机滚弧机价格低全自动弯管机多少钱阐述了短时傅里叶变换-Crazy Climber算法以及时域重采样原理,并与现有方法进行了比较。仿真和实验结果表明,上述方法在去除信号多普勒效应方面具有良好的效果,且易于在道旁轴承监测和故障诊断中实现。 提前诊断出机械系统中的异常信息对于防止生产事故的产生非常重要。在各种诊断方法中,符号化时间序列分析(STSA,Symbolic time series analysis)是一种常用的异常诊断方法,然而它的诊断效果和符号化时间序列的形成紧密相关。在对之前方法总结分析的基础上,提出了一种高效实用的符号化方法——基于概率密度空间划分的符号化方法。在该方法中,首先对时间序列进行概率密度统计分析,进而确定若干个概率相等的区间,然后对属于特定区间的值赋予一个特定的：针对振动工程中常见的极端频率信号(归一化频率接近于0或π两端),现有的自适应陷波器(ANF)频率估计方法存在收敛速度慢、估计精度不高、算法稳定性差的问题。为此,提出一种极端频率直接估计ANF新方法。首先,提出一种新误差函数以提升极端频率信号下ANF的收敛速度和稳定性;然后,根据ANF估计极端频率信号时偏差产生的机理,通过偏差补偿方式,降低噪声对ANF的影响,以获得近似无偏的频率估计结果,提高ANF极端频率估计精度,并对该方法进行稳态条件下的性能分析;最后,给出了ANF极端频率信号估计结果,并讨论了ANF各参数对极端频率信号估计精度的影响,给出了具体计算结果。计算表明方法的有效性与正确性符号。为了检验该方法的效果,将基于概率密度空间划分的符号化时间序列分析方法用于轴承疲劳实验的异常诊断当中。通过对比实验表明:概率密度符号化方法相比于传统的空间划分方法对异常更加敏感,能够更早诊断出轴承的异常。 自适应陷波器方法-电动折弯机数控滚圆机滚弧机价格低全自动弯管机多少钱 www.wangaunjimuju.com