简介:针对行星齿轮传动故障诊断中的信号故障特征微弱、特征提取困难等问题,提出了基于自适应聚合经验模态分解(EnsembleEmpiricalModeDecomposition,EEMD)和样本熵(SampleEntropy,SE)的行星齿轮箱故障特征提取方法。首先,针对EEMD结果存在较大的盲目性和主观性等问题,提出自适应EEMD方法;然后,使用此方法将行星齿轮箱振动信号分解为若干个固有模态函数(IntrinsicModeFunctions,IMF)分量,通过相关性分析选取含有齿轮状态特征信息的IMF分量并对信号进行重构,计算重构信号样本熵值,以此判断行星齿轮箱的运行状态;最后,对行星齿轮箱故障模拟试验台采集的2种状态振动信号的自适应EEMD样本熵进行求解,并与直接样本熵、EEMD样本熵等特征提取方法对比,验证了自适应EEMD样本熵具有更好的分类能力。
简介:巴山蜀水源远流长。美丽的长江之滨,巍巍的临峰山脚孕育着一个经济发展、环境优美、安定和谐的国家大型企业——重庆齿轮箱有限责任公司。42年来,该公司用汗水和睿智浇灌出一朵朵娇艳的文明之花,用文明建设的丰硕成果铺筑了重齿蒸蒸日上的发展之路。
简介:针对齿轮故障时振动信号复杂、特征提取困难的问题,提出采用局部特征尺度分解(LocalCharacteristicscaleDecomposition,LCD)与双谱分析相结合的故障特征提取方法。首先,利用LCD分解法对振动信号进行分解,并结合贝叶斯信息准则(BayesianInformationCriterion,BIC)和峭度时间序列互相关系数2个指标对内禀尺度分量(IntrinsicScaleComponent,ISC)进行筛选;其次,利用双谱分析法对所选取的ISC分量进行融合,提取双谱熵作为特征量;最后,运用该方法实现齿轮振动信号故障特征的提取,并通过齿轮预置故障试验验证了该方法的有效性。