资料下载
风电机组行星齿轮箱故障诊断
分享资料个
行星齿轮箱的振动信号具有非线性、非平稳性等特点，传统的FFT和小波分析法对于此类信号处理能力有限，很难达到实际应用的精度。针对非线性、非平稳信号特性提出的时频分析法也均具有各自的局限性，如经验模态分解（Empirical Mode Decomposition， EMD）是自适应的时频分析方法，对于非线性、非平稳信号处理能力突出，但端点效应和模态混叠现象问题的出现影响了该方法的分解能力，使固有模态分量失去其原有物理意义；局部均值分解（Local Mean Decomposition， LMD）在一定程度上解决了EMD分解过程中出现的端点效应问题，但仍未能解决模态混叠现象。众多关于机械方面的研究均表明，机械系统振动信号具有明显的分形特性，所以利用分形方法可以准确地对振动信号特征进行提取。很多研究人员对于单重分形做出了相关研究。但单重分形是从单一测度来衡量信号特征，无法全面地体现信号特征。而多重分形不仅从整体上对振动信号的特征进行了全面描述，并且可以对信号局部特征进行更细致的刻画。
本文将多重分形谱法引入到行星齿轮箱故障诊断中，首先利用小波包对信号进行降噪处理，最大程度地减小嗓声对特征提取的影响；然后求取降噪后信号的多重分形谱，并在多重分形谱中提取相关特征量；由于支持向量机（SVM）能够较好地以较少的样本数解决非线性特征的分类问题，所以最后将多重分形谱中提取得到的特征量输入到支持向量机中，通过支持向量机对振动信号进行分类及相应的故障诊断。
声明：本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人，不代表电子发烧友网立场。文章及其配图仅供工程师学习之用，如有内容侵权或者其他违规问题，请联系本站处理。 举报投诉
- 相关下载
- 相关文章
