基于EEMD和THT的齿轮故障诊断方法_李辉
基于改进EEMD和MED的滚动轴承早期故障诊断
基于改进EEMD和MED的滚动轴承早期故障诊断邹朋;王会杰【摘要】为了优化EEMD算法的去噪效果,采用一种归一化指标来自适应优化EEMD的去噪效果.该方法对信号进行迭代EEMD分解,运用敏感IMF选取方法,自适应选取每次EEMD分解得到的敏感IMF来重构信号,并通过该归一化指标来评价去噪效果并确定EEMD中的迭代次数,得到优化的去噪信号.再对该去噪信号进行MED滤波,最后进行包络谱分析,再与轴承理论上的特征频率进行比对,从而完成故障诊断.用模拟轴承故障信号与实测信号验证了该方法的可行性.【期刊名称】《测控技术》【年(卷),期】2019(038)003【总页数】5页(P47-51)【关键词】EEMD;敏感IMF;MED;动车轴厢轴承【作者】邹朋;王会杰【作者单位】重庆大学机械工程学院,重庆400044;重庆大学机械工程学院,重庆400044【正文语种】中文【中图分类】TH17;TP206集合经验模态分解(Ensemble Empirical Mode Decomposition，EEMD)[1]的提出是为了解决传统的经验模态分解(Empirical Mode Decomposition,EMD)中存在的模态混叠现象,但是EMD[2]中存在的不敏感IMF分量却没能得到解决。
为解决这一问题，互相关系数[3、10]、峭度值[4]、互信息系数[5]、度量因子[6]及灰色关联度[7]等多个单值特征参数相继被引入筛选敏感IMF，并在实践中取得了一定的效果。
为了解决敏感IMF筛选和EEMD降噪参数设置时人为经验因素过大的问题，本文提出了基于运用相关系数均值筛选IMF和归一化寻优指标来确定EEMD中噪声添加次数的自适应EEMD降噪方法。
之后，结合MED滤波，提出了轴承早期故障检测方法。
最后，用模拟与实测信号验证了该方法的可行性。
1 基于敏感IMF和归一化指标寻优的改进EEMD去噪方法1.1 EEMD分解理论EEMD算法的发展源于EMD算法所具有的缺点：模态混淆。
基于EEMD和THT的齿轮故障诊断方法
Ｅ ＭＤ 方 法Ｃ４ 过 对 非 线性 、 平 稳 信 号 的 分 ａ］ －通 非 解获 得一 系列 表征 信号 特征 时间 尺度 的 固有 模态 函 数 （ｎｒ ｓ ｄ ｕ ｃｉｎ 简 称 Ｉ ） 使 得 各 个 ｉｔｉ ｉ ｍｏ ｅｆｎ ｔ ， ｎｃ ｏ ＭＦ ，
平稳信 号 。 际 中齿轮故 障的振动信号 多为非平稳 信 实 号 ， 平 稳信 号 的分析方 法有 很 多 ， 括短 时傅 里 叶 非 包
Ｈｕｎ ａ ｇ变换的齿轮箱故 障诊 断方法 ， 方法首先运 用Ｅ ＭＤ方法 ， 该 Ｅ 将振动信 号分解成不 同特 征时间尺度的单分量
固有 模 态 函数 ， 后 用 Ｔ ａ ｅ 能 量 算 子 计 算 各 固有 模 态 函数 的 瞬 时频 率 和 瞬 时 幅 值 ， 到 ＴｅｇｒＨｕ ｎ 换 时 频 然 ｅｇ ｒ 得 ａｅ— ａｇ变
即原始 数据 可表 示 为一组 固有模 态 函数分 量 和一个 残余项 的和 。
１ ２ Ｅ Ｍ Ｄ 方 法 ． Ｅ
Ｅ ＭＤ 方 法 的特 性 为 ：． ＭＤ 是 一 种 自适 应 ａＥ
的信号 分析 方法 ， 能有效 提取非 线性 、 它 非平 稳 信号
第 ３ 卷第 ４ ｌ 期
２ １ 年 ８月 ０１
振 动 、 试 与诊 断 测
Ｊ ｕ ｎ ｌｏ ｂ ａ ｉｎ， ａ ｕ ｅ ｎ ｏ ｒ ａ ｆＶｉｒ ｔｏ Ｍｅ ｓ ｒ ｍｅ ｔ＆ Ｄｉｇ ｏ ｉ ａ ｎ ｓｓ
Ｖ ｏ ．３ Ｏ． １ １Ｎ ４ Ａｕ ｇ． ２ １ ０１
基 于 Ｅ ＭＤ 和 Ｔ Ｅ ＨＴ 的齿 轮 故 障诊 断 方法 。
谱 。齿 轮箱 齿轮裂纹故障振动 试验信号 的研 究结果表 明， ａ ｅ— ａ ｇ变换时频 谱优于 Ｈｉ ｅｔ ａ ｇ变换时频 Ｔｅｇ ｒＨｕ ｎ ｌ ｒ— ｎ ｂ Ｈｕ
基于EEMD和二维边际谱熵的齿轮箱故障诊断
车 辆 与 动 力 技 术
Ｖｅ ｈ ｉ ｃ ｌ ｅ＆ Ｐ ｏ ｗｅ ｒ Ｔｅ ｃ ｈｎ ｏ ｌ ｏ ｇ ｙ
总第 １ ３ ２期
文 章 编 号 ：１ ０ ０ ９— ４ ６ ８ ７ （ ２ ０ １ ３ ） ０ ４—０ ０ ３ ９— ０ ５
基于 Ｅ Ｅ ＭＤ 和 二 维 边 际谱 熵 的齿 轮 箱 故 障诊 断
ｍａ ｒ ｇ ｉ ｎａ ｌ ｓ ｐｅ ｃ ｔ ｒ ｕ ｍ ｏ ｆ ｇ ｅ ａ ｒ ｂ ｏ ｘ ｖ ｉ ｂ ｒ ａ ｔ ｉ ｏ ｎ ｓ ｉ ｇ ｎ １ ． Ｔｈ ａ ｅ ｔ ｗｏ — ｄ ｉ ｍｅ ｎ ｓ ｉ ｏ ｎ ａ ｌ ｍａ ｒ ｇ ｉ ｎ ａ ｌ ｓ ｐ ｅ ｃ ｔ ｕ ｍ ｅ ｒ ｎ ｔ ｒ ｏ ｐ ｙ ｉ ｓ
ｎ ｏ ｉ ｓ ｅ ｓ ｆ ｒ ｏ ｍ ｔ ｈ ｅ ｇ ｅ ａ ｒ ｂ ｏ ｘ ．Ｓ ｅ ｃ ｏ ｎ ｄ ｌ ｙ ，ｔ ｈ ｅ ｐ ｒ ｅ ｐ ｒ ｏ ｃ ｅ ｓ ｓ ｅ ｄ ｓ ｉ ｇ ｎ ａ ｌ ｓ ａ ｒ ｅ ｄ ｅ ｃ ｏ ｍｐ ｏ ｓ ｅ ｄ ｉ ｎ ｔ ｏ ｍａ ｎ ｙ Ｉ ｎ ｔ ｉ ｒ ｎ ｓ ｉ ｃ Ｍｏ ｄ ｅ
（ Ｅ ＭＤ） ，ａ ｓ ｉ ｇ ｎ ａ ｌ ａ ｎ ａ ｌ ｙ ｓ ｉ ｓ ｍｅ ｔ ｈ ｏ ｄ ｆ ｏ ｒ ｇ ｅ ａ ｒ ｂ ｏ ｘ ｆ ａ ｕ ｌ ｔ ｄ ｉ ａ ｇ ｎ ｏ ｓ ｉ ｓ ｉ ｓ ｐ ｒ ｅ ｓ ｅ ｎ ｔ ｅ ｄ ｂ ａ ｓ ｅ ｄ ｏ ｎ ｂ ｏ ｔ ｈ Ｅ ｎ ｓ ｅ ｍ ｂ ｌ ｅ
Ｔｗｏ － Ｄｉ ｍｅ ｎｓ ｉ ｏ ｎ ａ ｌ Ｍａ ｒ ｇ ｉ ｎａ ｌ Ｓ ｐｅ ｃ ｔ ｒ ｕ ｍ Ｅｎ ｔ ｒ ｏ ｐ ｙ
Ｍ Ａ Ｂａ ｉ — ｘ ｕｅ， ＰＡＮ Ｈｏ ｎｇ － ｘ ｉ ａ， ＹＡＮＧ Ｓ ｕ— ｍｅ ｉ
基于EEMD的高速列车齿轮箱故障检测
基于Ｅ Ｅ Ｍ Ｄ 的高速列车齿轮箱故障检测
邓学晖 ， 孟祥吉 中车 长春轨 道客 车股 份有 限 公司 ， 吉林 长春 １ ３ ０ ０ ６ ２
摘 要 为 了有 效捕 捉 高速 列车 齿轮 箱故 障 引起 的本质 振 动模 式 ， 本 文提 出一 种基 于 Ｅ Ｅ Ｍ Ｄ（ ｅ ｎ ｓ ｅ ｍ ｂ ｌ ｅ ｅ ｍ ｐ ｉ ｒ ｉ ｃ ａ ｌ ｍ ｏ ｄ ｅ ｌ ｄ ｅ ｃ ｏ ｍ ｐ ｏ ｓ ｉ ｔ ［ ｏ ｎ ）的 高速 列 车齿 轮箱故 障诊 断 的新 方法 ， 该 方法 的核 心是对 采 集的振 动信 号进行 Ｅ Ｅ Ｍ Ｄ 分 解获 取信 号 的若 干振 动模 式 ， 即振 动信 号的 Ｉ Ｍ Ｆ（ ｉ ｎ ｔ ｒ ｉ ｎ ｓ ｉ ｃ ｍ ｏ ｄ ｅ ｌ ｆ ｕ ｎ ｃ ｔ ｉ Ｏ ｎ ）分量 ， 采 用信 号与 Ｉ Ｍ Ｆ自相 关函数 的最 大相 关 系数 来选择 最佳 Ｉ Ｍ Ｆ 分量 ， 对最 佳 Ｉ Ｍ Ｆ 分 量进行 Ｈ ｉ １ ｂ ｅ ｒ ｔ变换提取 其 故 障 包络 ， 利 用 包络信 号的傅 里叶谱 来 检 测 高速列 车 的齿轮 箱 的故障 。应 用故 障 实测数据 对 该 方法进 行验 证 ， 结 果表 明该 方法 能够有 效提取 高速 列车 齿轮 故障引起的振动模式 ， 是一种有效的齿轮箱故障诊 断方法。 关 键 词 高速列 车 ； 齿轮 箱 ； Ｅ Ｅ Ｍ Ｄ； 相 关分析 ； 故障检 测 中图分 类号 ｕ ２ 文 献标 识码 Ａ 文章 编 号 ２ Ｏ ９ ５ — ６ ３ ６ ３（ ２ ０ １ ７ ）１ 卜０ ０ ８ ９ — ０ ３
上
（ ｆ ） ＋ ＂ （ ｆ ） ＝ ｃ ｊ （ ｔ ） ＋ ， （ ｆ ）
， ＝ １
基于ICEEMDAN的滚动轴承声信号故障诊断方法
第４５卷第６期２０２３年１１月沈 阳 工 业 大 学 学 报ＪｏｕｒｎａｌｏｆＳｈｅｎｙａｎｇＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙＶｏｌ ４５Ｎｏ ６Ｎｏｖ ２０２３收稿日期：２０２３－０６－０８基金项目：国家自然科学基金项目（５１６７５３５０，５１７０５３３７）；辽宁省“揭榜挂帅”科技攻关项目（２０２２ＪＨ１／１０４００００８）。
作者简介：李 篪（１９８６－），女，辽宁沈阳人，工程师，博士生，主要从事机械故障诊断、声信号分析等方面的研究。
檪檪檪檪檪檪檪檪檪檪殏殏殏殏机械工程 ＤＯＩ：１０．７６８８／ｊ．ｉｓｓｎ．１０００－１６４６．２０２３．０６．１３基于ＩＣＥＥＭＤＡＮ的滚动轴承声信号故障诊断方法李 篪，陈长征（沈阳工业大学机械工程学院，辽宁沈阳１１０８７０）摘 要：针对基于单通道声信号的机械故障诊断信号干扰成分大，故障特征难以提取的问题，提出了一种结合改进自适应噪声完备经验模态分解（ＩＣＥＥＭＤＡＮ）和快速独立分量分析（ＦａｓｔＩＣＡ）的方法。
依据峭度与信号相关性准则设定本征内模分量（ＩＭＦ）选取系数，对ＩＣＥＥＭＤＡＮ自适应分解的ＩＭＦ进行有效筛选，实现信号降噪和粗提取，并以所选ＩＭＦ作为虚拟通道，应用ＦａｓｔＩＣＡ成功实现信噪的盲源分离。
通过内外圈故障轴承实验数据对算法实行对比验证，结果表明，所提算法大幅降低了噪声及干扰，有效提取了故障特征。
关 键 词：机械故障诊断；声学诊断；声信号；滚动轴承；改进自适应噪声完备经验模态分解；快速独立分量分析；特征提取；盲源分离中图分类号：ＴＨ１３３ ３３ 文献标志码：Ａ 文章编号：１０００－１６４６（２０２３）０６－０６７２－０８ＡｃｏｕｓｔｉｃｓｉｇｎａｌｄｉａｇｎｏｓｉｓｍｅｔｈｏｄｂａｓｅｄｏｎＩＣＥＥＭＤＡＮｆｏｒｒｏｌｌｉｎｇｂｅａｒｉｎｇｆａｕｌｔＬＩＣｈｉ，ＣＨＥＮＣｈａｎｇｚｈｅｎｇ（ＳｃｈｏｏｌｏｆＭｅｃｈａｎｉｃａｌＥｎｇｉｎｅｅｒｉｎｇ，ＳｈｅｎｙａｎｇＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ，Ｓｈｅｎｙａｎｇ１１０８７０，Ｌｉａｏｎｉｎｇ，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ａｉｍｉｎｇａｔｔｈｅｐｒｏｂｌｅｍｉｎｍｅｃｈａｎｉｃａｌｆａｕｌｔｄｉａｇｎｏｓｉｓｂａｓｅｄｏｎｓｉｎｇｌｅ ｃｈａｎｎｅｌａｃｏｕｓｔｉｃｓｉｇｎａｌｓｔｈａｔｃｏｌｌｅｃｔｅｄｓｉｇｎａｌｓａｌｗａｙｓｈａｖｅｔｈｅｉｎｔｅｎｓｉｖｅｉｎｔｅｒｆｅｒｅｎｃｅ，ｆｒｏｍｗｈｉｃｈｆａｕｌｔｆｅａｔｕｒｅｓａｒｅｄｉｆｆｉｃｕｌｔｔｏｂｅｅｘｔｒａｃｔｅｄ，ａｍｅｔｈｏｄｃｏｍｂｉｎｉｎｇｔｈｅｉｍｐｒｏｖｅｄｃｏｍｐｌｅｔｅｅｎｓｅｍｂｌｅｅｍｐｉｒｉｃａｌｍｏｄｅｄｅｃｏｍｐｏｓｉｔｉｏｎｗｉｔｈａｄａｐｔｉｖｅｎｏｉｓｅ（ＩＣＥＥＭＤＡＮ）ａｎｄｔｈｅｆａｓｔｉｎｄｅｐｅｎｄｅｎｔｃｏｍｐｏｎｅｎｔａｎａｌｙｓｉｓ（ＦａｓｔＩＣＡ）ｗｅｒｅｐｒｏｐｏｓｅｄ．Ｓｅｔｔｉｎｇａｎｉｎｔｒｉｎｓｉｃｍｏｄｅｆｕｎｃｔｉｏｎ（ＩＭＦ）ｓｅｌｅｃｔｉｏｎｃｏｅｆｆｉｃｉｅｎｔａｃｃｏｒｄｉｎｇｔｏｂｏｔｈｔｈｅｋｕｒｔｏｓｉｓａｎｄｔｈｅｓｉｇｎａｌｃｏｒｒｅｌａｔｉｏｎａｓｃｒｉｔｅｒｉｏｎ，ＩＭＦｓａｄａｐｔｉｖｅｌｙｄｅｃｏｍｐｏｓｅｄｂｙＩＣＥＥＭＤＡＮｗｅｒｅｅｆｆｅｃｔｉｖｅｌｙｓｃｒｅｅｎｅｄｔｏｒｅｄｕｃｅｔｈｅｎｏｉｓｅａｎｄｒｏｕｇｈｌｙｅｘｔｒａｃｔｔｈｅｓｉｇｎａｌｆｅａｔｕｒｅｓ．ＦａｓｔＩＣＡｗａｓａｐｐｌｉｅｄｔｏｔｈｅｓｅｌｅｃｔｅｄＩＭＦｓｒｅｇａｒｄｅｄａｓｖｉｒｔｕａｌｃｈａｎｎｅｌｓ，ｂｙｗｈｉｃｈｂｌｉｎｄｓｏｕｒｃｅｓｅｐａｒａｔｉｏｎｃｏｕｌｄｂｅｓｕｃｃｅｓｓｆｕｌｌｙａｃｈｉｅｖｅｄ．Ｔｈｅａｓ ｐｒｏｐｏｓｅｄｍｅｔｈｏｄｗａｓｖｅｒｉｆｉｅｄｂｙｅｘｐｅｒｉｍｅｎｔａｌｄａｔａｏｆｉｎｎｅｒａｎｄｏｕｔｅｒｂｅａｒｉｎｇｒｉｎｇｆａｕｌｔｓ．Ｔｈｅｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅａｓ ｐｒｏｐｏｓｅｄｍｅｔｈｏｄｃａｎｇｒｅａｔｌｙｒｅｄｕｃｅｔｈｅｎｏｉｓｅａｎｄｉｎｔｅｒｆｅｒｅｎｃｅ，ａｎｄｉｓｅｆｆｉｃａｃｉｏｕｓｆｏｒｅｘｔｒａｃｔｉｎｇｆａｕｌｔｆｅａｔｕｒｅｓ．Ｋｅｙｗｏｒｄｓ：ｍｅｃｈａｎｉｃａｌｆａｕｌｔｄｉａｇｎｏｓｉｓ；ａｃｏｕｓｔｉｃｄｉａｇｎｏｓｉｓ；ａｃｏｕｓｔｉｃｓｉｇｎａｌ；ｒｏｌｌｉｎｇｂｅａｒｉｎｇ；ｉｍｐｒｏｖｅｄｃｏｍｐｌｅｔｅｅｎｓｅｍｂｌｅｅｍｐｉｒｉｃａｌｍｏｄｅｄｅｃｏｍｐｏｓｉｔｉｏｎｗｉｔｈａｄａｐｔｉｖｅｎｏｉｓｅ；ｆａｓｔｉｎｄｅｐｅｎｄｅｎｔｃｏｍｐｏｎｅｎｔａｎａｌｙｓｉｓ；ｆａｕｌｔｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎ；ｂｌｉｎｄｓｏｕｒｃｅｓｅｐａｒａｔｉｏｎ 滚动轴承故障是导致旋转机械故障的最主要因素之一，因此针对轴承的健康监测和故障诊断多年来一直是重要的研究领域。
齿轮传动系统的故障诊断方法研究论文
齿轮传动系统的故障诊断方法研究论文齿轮传动系统的故障诊断方法研究内容提要: 在机械设备运转过程中,齿轮传动系统通过主、从动齿轮的相互啮合传递运动和能量,这个过程将产生一定形式的机械振动。
而诸如磨损、点蚀、制造误差、装配误差等齿轮和齿轮传动系统的各种缺陷和故障必然引起机械振动状态(或信号)发生变化。
因此,在齿轮传动系统的振动信号中,蕴涵有它的健康状态 (故障与无故障)信息,监测和分析振动信号自然就可以诊断齿轮和齿轮传动系统的故障。
关键词: 齿轮故障;故障诊断;振动;裂纹目录引言 1第一章影响齿轮产生振动的因素 21.1 振动的产生 21.2 振动的故障 2第二章齿轮裂纹故障诊断 42.1 裂纹产生的原因 42.2齿轮裂纹分类、特征、原因及预防措施42.2.1淬火裂纹 42.2.2磨削裂纹 42.2.3疲劳裂纹 52.2.4轮缘和幅板裂纹 6第三章齿轮故障诊断方法与技术展望73.1 齿轮故障诊断的方法73.1.1 时域法73.1.2 频域法73.1.3 倒频谱分析83.1.4 包络分析83.1.5 小波分析方法83.2 齿轮故障诊断技术的展望9结论10致谢11参考文献12引言随着科学技术的不断进步,机械设备向着高性能、高效率、高自动化和高可靠性的方向发展。
齿轮由于具有传动比固定、传动转矩大、结构紧凑等优点,是改变转速和传递动力的最常用的传动部件,是机械设备的一个重要组成部分,也是易于故障发生的一个部件,其运行状态对整机的工作性能有很大的影响。
在机械设备运转过程中,齿轮传动系统通过主、从动齿轮的相互啮合传递运动和能量,这个过程将产生一定形式的机械振动。
而诸如磨损、点蚀、制造误差、装配误差等齿轮和齿轮传动系统的各种缺陷和故障必然引起机械振动状态(或信号)发生变化。
因此,在齿轮传动系统的振动信号中,蕴涵有它的健康状态(故障与无故障)信息,监测和分析振动信号自然就可以诊断齿轮和齿轮传动系统的故障。
第一章影响齿轮产生振动的因素1.1 振动的产生在齿轮的传动啮合过程中,影响齿轮产生振动的原因很多,有大周期的误差也有小周期的误差。
基于改进EMD和HMM的齿轮故障诊断方法
齿 轮 箱 是 机 械 设 备 中一 种 必 不 可 少 的连 接 和 传 递 动 力 的 通 用 零 部 件 ， 也 是 一 种 易 于 发 生 故 障 的零 部 件 。研 究 齿 轮 箱 尤 其 是 齿 轮 的状 态 监 测 与 故 障 诊 断 技 术 ，对 于 保 障 机 械 设备 的安全、稳定运行具有重要意义 。 齿轮故障诊 断的关键是提取 故障特征 。 近 年 来 ，经 验模 态 分解 （ Ｅ ｍ ｐ ｉ ｒ ｉ Ｃ ａ １ Ｍ ｏ ｄ ｅ Ｄ ｅ ｃ ｏ ｍ ｐ ｏ ｓ ｉ ｔ ｉ ｏ ｎ ，Ｅ Ｍ Ｄ ） 在 非 平 稳 、非 线 性 信 号 处 理 中 得 到 了 广 泛 的应 用 Ｊ 。Ｈ Ｍ Ｍ 具有其他 模 式 识 别 方 法 不 具 有 的 特 性 ，它 适 合 对 动 态 时 间 序 列 进 行 建 模 ， 具 有 较 强 的模 式 分 类 能 力 ， 特 别 适 用 于 非 平 稳 、 非 线 性 及 冗 余 性 的 信 号 ， 。 由于实 际信 号的 复 杂性 和采 样 的 随机 性 ，Ｅ Ｍ Ｄ 方 法 存 在 端 点效 应 和 过 分 解 等 问题 。 基 于 以 上 分 析 ， 本 文 提 出 了改 进 Ｅ Ｍ Ｄ 和Ｈ Ｍ Ｍ 的 齿轮故 障诊断方法，利用镜像延拓法解决Ｅ Ｍ Ｄ 中的端点效应 问题；提 出Ｉ Ｍ Ｆ 选择算法剔 除过 分 解 产 生 的 伪 分 量 ，选 取 合 适 的敏 感 Ｉ Ｍ Ｆ ； 采用选好 后各Ｉ Ｍ Ｆ 分 量 能 量 比作 为 故 障特 征输 入至嗍 分类器从而实现故障诊 断。 １ ． 改进Ｅ Ｍ Ｄ 算 法 Ｅ Ｍ Ｄ 方法 的 目的是通过 对非 线性 、非平 稳 信 号 的 分 解 获 得 一 系 列 表 征 信 号 特 征 时 间 尺 度的 固有模 态 函数 ，使得 各个 Ｉ Ｍ Ｆ 是 单分 量 的 幅 值 或 频 率 调 制 信 号 。每 个 Ｉ Ｍ Ｆ 满 足 以 下２ 个 条件 ： （ １ ） 在整 个数据 段 内，极值 点 的个数和 过 零点的个数必须相等或最多相差一个 ； （ ２ ） 信 号 上 任 意 一 点 ， 由局 部 极 大值 点确 定 的包 络 线 和 由局 部极 小值 点 确 定 的包 络 线 的 均 值 均 为零 ，即信 号关 于 时 间轴 局 部对 称 。 ｌ ＿ １ 端 点 效 应 和 镜 像 延 拓 法 Ｅ Ｍ Ｄ 端 点 效 应 问 题 产 生 原 因 为 采 用 三 次 样 条 曲 线 求 取 包 络 线 的过 程 ，上 、 下 包 络 线 是 根 据 信 号 的 局 部 极 值 点 应 用 三 次 样 条 曲线 插 值获得 。而Ｅ Ｍ Ｄ 分解 每阶Ｉ Ｍ Ｆ 都 要求信 号的 上 下 包 络 ，端 点 处 由 于 缺 乏 数 据 的 支 撑 而 无 法 确定 包络线 的趋 势 ，导致新 得 到的 Ｉ Ｍ Ｆ 两 端 出现发散现 象，随着分 解进行 ，发散程度 逐 渐 严 重 。 即会 由外 而 内 “ 污 染 ”信 号数 据 ， 也就 是 端 点 效 应 。 目前 端 点 效 应 抑 制 的 方 法 很 多 ，而 效 果 相 对 较 好 的 即 为 镜 像 延 拓 法 。
齿轮故障诊断方法综述
齿轮故障诊断方法综述摘要齿轮是机械设备中常用的部件，而齿轮传动也是机械传动中最常见的方式之一。
在许多情况下,齿轮故障又是导致设备失效的主要原因.因此对齿轮进行故障诊断具有非常重要的意义。
介绍了故障的特点和几种诊断方法,并比较了基于粒子群优化的小波神经网络,基于相关分析与小波变换,基于小波包和BP神经网络和基于小波分析等故障诊断方法的优缺点，并提出了齿轮故障诊断的难点和发展方向。
关键字齿轮故障诊断诊断方法分析比较发展目录第一章齿轮故障诊断发展及故障特点 (1)1.1 齿轮故障诊断的发展 (1)1. 2齿轮故障形式与震动特征 (1)第二章齿轮传动故障诊断的方法 (2)2. 1高阶谱分析 (2)2。
1。
1参数化双谱估计的原理 (3)2.1.2试验装置与信号获取 (3)2。
1.3 故障诊断 (4)2.1.4应用双谱分析识别齿轮故障 (5)2.2基于边频分析的齿轮故障诊断 (6)2.2.1分析原理 (6)2。
2.2铣床振动测试 (6)2。
2。
3边频带分析 (8)2。
2.4故障诊断 (9)2. 3时域分析 (10)2.3。
1时域指标 (10)2。
3。
2非线性时间分析 (11)第一章齿轮故障诊断发展及故障特点1。
1 齿轮故障诊断的发展齿轮故障诊断始于七十年代初，早期的齿轮故障诊断仅限于在旋转式机械上测量一些简单的振动参数,用一些简单的方法进行诊断.这些简单的参数和诊断方法对齿轮故障诊断反应灵敏度较低，根本无法准确判断发生故障的部位。
七十年代末到八十年代中期，旋转式机械中齿轮故障诊断的频域法发展很快，其中R.B。
Randall和James1.Taylor等人做好了许多有益的工作，积累了不少故障诊断的成功实例，出现了一些较好的频域分析方法,对齿轮磨损和齿根断裂等故障诊断较为成功。
进入九十年代以后，神经网络、模糊推理和网络技术的发展和融合使得齿轮系统故障诊断进入了蓬勃发展的时期。
我国学者在齿轮故障诊断研究方面也做了大量工作。
基于集合经验模态分解的滚动轴承智能故障诊断方法
高技术通讯2021年第31卷第5期：559-568doi：10.3772/j.issn.1002-0470.2021.05.012基于集合经验模态分解的滚动轴承智能故障诊断方法①陈永毅②张丹③薛焕新(浙江工业大学信息工程学院杭州310023)(浙江大丰实业股份有限公司杭州315400)摘要针对滚动轴承工作环境中含有强烈的环境噪声，其振动信号具有非平稳、非线性特征以及提取特征困难等问题，本文提出一种基于集合经验模态分解(EEMD)的滚动轴承智能故障诊断方法。
首先通过卷积神经网络(CNN)提取振动信号关键特征，并将提取到的特征向量输入到支持向量机(SVM)中进行故障识别与分类。
为了提高诊断性能，本文利用集合经验模态分解方法对原始振动信号进行分解，将复杂的振动信号分解为仅包含单一成分的本征模态分量(IMF),然后利用一维卷积神经网络对IMF进行特征提取，最后采用SVM进行分类。
结果表明，所提出的方法相比于现有方法收敛速度更快，诊断正确率可高达99%,突出了该方法的优越性。
关键词故障诊断；滚动轴承；集合经验模态分解(EEMD)；卷积神经网络(CNN)；支持向量机(SVM)0引言随着科学技术和自动化技术的迅速发展,机械设备在日常生产生活中的应用越来越广泛,其安全性、精密性成为了大家关注的焦点。
滚动轴承作为现代机械设备的关键器件，其工作状态是否正常直接影响到整个机械设备的平稳运行。
据相关数据显示,在现代机械中，由于滚动轴承无法正常使用而引起的机械故障约占总体故障的30%；1］。
此外，滚动轴承因污垢、锈蚀、润滑油缺少发生的磨损常常导致其极易损坏,如果按照设计寿命定期维修，便会出现两种情况。
一是在正常使用期限内发生损坏，从而导致发生严重的意外事故;二是把超过使用期限但仍能正常使用的滚动轴承直接扔掉，造成不必要的浪费⑵。
传统的滚动轴承检测方法,工作人员需要定期将滚动轴承从设备上拆卸下来进行安全检查,但这种方法既耗费人力和时间，又要支付巨额维护费用,严重影响生产进程。
基于Internet技术的齿轮断齿故障诊断研究
７ ６
２０ ０ ８年 １ 月 中国制造 业信 息化
第３ ７卷
第 １ 期
基 于 Ｉｔｒｅ 技 术 的齿 轮 断 齿 故 障诊 断研 究 ｎｅｎ ｔ
康 葳， 蒋欣 军 ， 广建 常 （ 甲兵工 程学 院 信息管 理 中心 ， 装 北京 １０７ ） ０ ０ ２ 摘要 ： 无线 网络环 境 下 实车试验 模拟 了故 障的发 生 ， 在 测得 齿轮 断 齿 时的 变速 箱 体振 动 信 号 。介
现有的网络构建的远程装 甲车辆机械故障诊 断系统是以传感器 、 信号调理器 、 数据采集器和计 算 机 网络为 硬件 ， 用计算 机 网络 强 大的分 布式 计 利 算、 数据传输和信息共享等功能实现的人机界面良 好 的 综 合 系统 。 系统 采 用 三 层 （ 户 层 、 务 层 该 用 业
件 制作 时采 用线 切 割 机将 ３档 被 动 齿 轮 的一 个 齿 切 除 。试 验时 ， 先测 试变 速箱 体在 正常 状态 下 的振 动加速 度信 号 ， 后 更换 上断 齿 齿 轮 ， 试 变 速 箱 然 测
！ 故障 诊断 中心
体在断齿故障下的振 动加 速度信号。由于装 甲装 备的故障绝大多数在训练 、 战时发生 ， 作 为了实现 故障的异地诊断 ， 采用了无线 网络实现采集数据的 传送 。试 验 中首 先在 客 户 端 笔 记 本 电脑 上安 装 无
绍 了提 取 故 障的远 程诊 断方 法 ， 于 Ｉｔｒｅ 技 术 和 Ｍａｌ ｂＳ ｒｅ 能 实现 了异 地 数 据 上 基 ｎｅｎ ｔ ｔ ｂＷｅ ｅｖｒ功 ａ
传， 并对数 据进 行 了幅值 域 、 域分析 ， 频 实现 了断 齿故 障的异 地诊 断 。 关键 词 ： 齿 ； 障诊 断 ；ｎｅｎｔ 断 故 Ｉｔｒｅ 中图分类 号 ：Ｋ ２ Ｔ ４１ 文 献标识 码 ： Ａ 文章编 号 ：６２—１ １ （０ ８Ｏ —０ ７ １７ ６ ６２０ ）１ ０ ６一Ｏ ４ 和数据 层 ）分 布式 、 、 异构 的体 系结 构 。它 由现场 监
齿轮箱故障的原因和诊断方法.ppt
齿轮箱是机械设备中应用最为广泛的传 动机构。 自身结构复杂，工作环境恶劣，非常容 易出故障。 齿轮箱故障将直接影响设备的安全可靠 运行，降低加工精度和生产效率。 由此，齿轮箱故障研究的目的和意义就 不言而喻了，比如：保障机器安全，有 效地运行；提高生产效率，保障产品质 量等等。
齿轮箱故障的原因
小波包函数
被定义为 ：
式中 n=0，1 ，2 …为振荡参数 ， J∈Z和 k∈Z 分别是尺度 参数和平移参数
齿轮箱故障诊断试验
三：小波包特征提取
对采集到的齿轮箱振动信号进行 3层小波包分解，采用Shannon熵准，可 得到从低频到高频的8个等宽频率的子频带，本文采样频率为2560kHz。
齿轮箱故障诊断试验
式中n=1,2,3,4， i=1,2,…,N， N为信号长度N=1024。
设所提取的 4个能量值为 网络的一组特征参数 将 P作为小波神经
齿轮箱故障诊断试验
四：小波特征提取
小波变换后的逼近信号和细节信号
齿轮箱故障诊断试验
五：小波神经网络小波神Βιβλιοθήκη 网络模型齿轮箱故障诊断试验
小波神经网络测试流程
齿轮箱故障诊断步骤
信号检测 号 根据齿轮箱的工作环境和性质，选样并测取能够反映 齿轮箱工作情况或状态的信号，这种信号称为原始信号。
特征提取
将原始信号进行信号分析和处理，提取反映 齿轮箱状态的有用信息（特征），形成待检模式。
状态识别
将待检模式与样式模式（故障档案）对比和状 态分类，判断齿轮箱是否工作正常或者说有无故障。
网络参数初始化 计算隐含层及输出层的输出
计算误差E和梯度向量p
基于 EEMD 的多尺度模糊熵的齿轮故障诊断
基于 EEMD 的多尺度模糊熵的齿轮故障诊断杨望灿;张培林;王怀光;陈彦龙;孙也尊【摘要】为准确利用振动信号进行故障诊断，提出基于 EEMD 多尺度模糊熵的齿轮故障诊断方法。
利用集合经验模态分解（EEMD）对振动信号进行自适应分解，获得原始信号的不同尺度分量；据模糊熵能有效区分不同信号的复杂度，计算EEMD 分解所得本征模态函数（IMF）分量模糊熵，获得原始信号多个尺度的复杂测度作为齿轮不同状态的特征参数；将该特征参数输入最小二乘支持向量机（LS －SVM）分类器判断齿轮故障。
齿轮箱齿轮故障实验结果表明，该方法能提高齿轮故障诊断精度。
%In order to diagnose fault accurately by using vibration signal,a method of gear fault diagnosis based on multiscale fuzzy entropy of ensemble empirical mode decomposition (EEMD)was proposed.The vibration signal was decomposed adaptively with EEMD to obtain the components in different scales of the original signal.Considering the ability of the fuzzy entropy in distinguishing the complexity of different signals effectively,the fuzzy entropy of intrinsic mode functions (IMFs)by EEMD was calculated.Thus the complexity metric in different scales of the original signal was gained,which taken as was consequently the feature parameter to describe different gear states.The feature parameters were then put into a least square support vector machine (LS-SVM)for diagnosing the gear faults.The results of a gear box fault test indicate that the proposed method is of high accuracy in diagnosing gear faults.【期刊名称】《振动与冲击》【年(卷),期】2015(000)014【总页数】6页(P163-167,187)【关键词】多尺度模糊熵;EEMD;特征参数;齿轮;故障诊断【作者】杨望灿;张培林;王怀光;陈彦龙;孙也尊【作者单位】军械工程学院七系，石家庄 050003;军械工程学院七系，石家庄050003;军械工程学院七系，石家庄 050003;军械工程学院七系，石家庄050003;驻二四七厂军事代表室，太原 030009【正文语种】中文【中图分类】TH113.1;TN911.7齿轮传动作为机械设备中主要传动方式，其运行状态直接影响整个机械设备的运转情况。
快速自适应经验模态分解方法及轴承故障诊断
快速自适应经验模态分解方法及轴承故障诊断陈凯;李富才;李鸿光【摘要】提出一种快速自适应经验模态分解(fast and adaptive empirical mode decomposition,简称FAEMD),其算法结构和本征模态函数的特点与经验模态分解(empirical mode decomposition,简称EMD)类似.采用顺序统计滤波器代替三次样条来拟合曲线,简易的终止准则使耗机时间大幅减小.该方法可以快速、有效、准确地分解信号,能够避免终止准则和端点效应问题,改善模态混叠和耗时问题.在滚动轴承故障诊断的应用中,效果表现良好.【期刊名称】《振动、测试与诊断》【年(卷),期】2016(036)004【总页数】6页(P647-652)【关键词】经验模态分解;快速自适应经验模态分解;滚动轴承;顺序统计滤波器【作者】陈凯;李富才;李鸿光【作者单位】上海交通大学机械系统与振动国家重点实验室上海,200240;上海交通大学机械系统与振动国家重点实验室上海,200240;上海交通大学机械系统与振动国家重点实验室上海,200240【正文语种】中文【中图分类】TH133.33;TH165.3;TN911时频分析方法适合用于非平稳信号，包含Wigner-Ville分布、小波变换、短时傅里叶变换和Hilbert-Huang变换等，其中前3种方法存在自适应性缺陷。
经验模态分解[1]是Hilbert-Huang变换的核心部分，它是一种具有自适应性的时频分析方法，适合对非平稳信号进行分析。
于德介等[2]把EMD引入旋转机械故障诊断领域。
针对EMD的模式混叠缺陷，文献[3]利用白噪声的频率均匀分布统计特性提出集合经验模态分解(ensemble empirical mode decomposition,简称EEMD) 。
景蓓蓓[4]对微分的经验模态分解(differential-based empirical mode decomposition,简称DEMD)进行实验验证，得出EDMD和EEMD相对传统方法EMD耗机时间大幅度增加。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
基于EEMD和THT的齿轮故障诊断方法 李 辉 郑海起, 唐力伟(石家庄铁路职业技术学院机电工程系 石家庄,050041) (军械工程学院一系 石家庄,050003)摘要 提出了一种基于总体平均经验模态分解(ensemble empirical mode decompositio n,简称EEM D)和T eag er-Hua ng变换的齿轮箱故障诊断方法,该方法首先运用EEM D方法,将振动信号分解成不同特征时间尺度的单分量固有模态函数,然后用Teag er能量算子计算各固有模态函数的瞬时频率和瞬时幅值,得到Teag er-Hua ng变换时频谱。
齿轮箱齿轮裂纹故障振动试验信号的研究结果表明,T eag er-Huang变换时频谱优于Hilber t-Huang变换时频谱,能有效识别齿轮故障。
关键词 故障诊断 齿轮 经验模态分解 T eage r-Huang变换 信号处理中图分类号 T N911.72引 言齿轮故障诊断的关键是怎样从齿轮故障振动信号中提取故障特征。
对振动信号作频谱分析时一般采用快速傅里叶变换(fast fourier transfo rm,简称FFT)方法[1]。
由于FFT是一种整体变换,分析的结果为信号在频域内的统计平均,不能反映信号的局部信息,因此FFT只能分析频率不随时间变化的线性、平稳信号。
实际中齿轮故障的振动信号多为非平稳信号,非平稳信号的分析方法有很多,包括短时傅里叶分析、小波分析和Wigner-Ville分布等[2],但这些方法又都有各自的局限性[3]。
近年来,经验模态分解(empirical m ode deco mposition,简称EM D)方法在非平稳信号处理中得到了广泛的应用[3-5],但EM D方法有端点效应和模态混叠等缺陷,模态混叠使分解后的固有模态函数(intrinsic m ode functio n,简称IM F)的物理意义不清[6-7]。
为消除EM D的模态混叠现象, Huang等提出了EEM D方法[8]。
本文介绍了一种基于EEM D和Teag er-Huang 变换(Teager-Huang transfo rm,简称THT)的齿轮故障诊断方法,该方法综合利用了EEM D和Teager 能量算子[9-11](Teag er kaiser energy o perator,简称T KEO)分析技术。
EEM D能根据信号自身的特点,将信号分解成从高到低不同频率的单分量调制信号。
T KEO可以对单分量调幅调频(AM-FM)信号进行解调,并能有效计算信号的瞬时幅值和瞬时频率,在语音信号和图像处理等领域得到了广泛应用[9-11]。
本文介绍了该方法的基本原理和算法,利用Teag er-Hua ng变换对齿轮箱齿轮的裂纹故障进行诊断。
1 EEMD的基本原理1.1 EMD方法 EMD方法[3-4]通过对非线性、非平稳信号的分解获得一系列表征信号特征时间尺度的固有模态函数(intrinsic m ode functio n,简称IM F),使得各个IM F为单分量的幅值或频率调制信号,从而使瞬时频率的定义具有物理意义。
每个IM F为满足以下两个条件的信号:a.整个信号中零点数与极点数相等或至多相差1;b.信号上任意一点,由局部极大值点确定的包络线和由局部极小值点确定的包络线的均值均为零,即信号关于时间轴局部对称。
对于一个时间序列x(t)经过经验模态分解后可以得到[5]x(t)=∑ni=1c i(t)+r n(t)(1)即原始数据可表示为一组固有模态函数分量和一个残余项的和。
1.2 EEMD方法EM D方法[8]的特性为:a.EM D是一种自适应的信号分析方法,它能有效提取非线性、非平稳信号 第31卷第4期 2011年8月振动、测试与诊断Journal of Vibratio n,Measurement&Diag nosisV ol.31No.4 Aug.2011 国家自然科学基金资助项目(编号:50375157,50775219);浙江省自然科学基金资助项目(编号:Y1080040);河北省教育厅2008年自然科学研究计划资助项目(编号:2008495)收稿日期:2009-03-16;修改稿收到日期:2009-05-27中的瞬态特征;b.EM D是一种有效的窄带滤波方法,能有效去除信号中的白噪声;c.给被分析的信号加上不同的白噪声,分解后得到的IM F分量彼此线性无关,因此取多次EM D分解后的各IM F分量的均值可以消除噪声的影响。
基于EM D特性,提出的EEM D方法如下:a.给被分析的信号x(t)加一白噪声;b.分解加噪声后的信号,得到各个IM F;c.重复执行步骤a和b,但每次所加的白噪声不同;d.取多次分解得到的各IM F分量的均值作为最后的结果。
EEM D也称为噪声支持的经验模态分解,可以有效消除模态混叠现象,使分解出的IM F具有确定的物理意义。
EEM D算法把目标信号和极小幅度白噪声的和视为一个总体,对该总体进行EM D分解,利用白噪声频谱均衡分布的特点来均衡信号中的中断区域,可以较为理想地去除模态混叠。
根据零均值高斯白噪声的特性,利用若干组总体的平均使加入的噪声互相抵消,从而使真实信号得以保留[8]。
2 Teager-Huang变换技术由于Hilbert变换的加窗效应使得解调结果出现非瞬时响应特性,使解调误差增大,采用TKEO 解调算法,其解调效果明显优于H ilbert变换,同时计算量也大大降低[12]。
本文将EEMD和TK EO解调方法结合,提出了基于EEM D和TH T的齿轮故障诊断方法。
2.1 Teager能量算子解调技术T KEO被广泛用于求取信号的瞬时频率和瞬时幅值,并取得了一定效果[9-11]。
连续信号x(t)的T KEO定义为j[x(t)]=[x(t)]2-x(t)x¨(t)(2)其中:x(t)为测得振动信号;x·(t)和x¨(t)分别为信号x(t)的一阶和二阶导数。
离散信号x(n)的TKEO定义为j[x(n)]=x2(n)-x(n+1)x(n-1)(3) 由式(3)可见,每一瞬时时刻T KEO的计算只需要3个采样点,具有很好的瞬时性。
文献[9]利用T KEO实现了对单分量调幅调频(AM-FM)信号的瞬时频率与瞬时幅值的分离,即f(t)≈12πj[x(t)]j[x(t)](4)a(t)≈j[x(t)]j[x(t)](5) Teager能量算子与H ilbert变换求信号的瞬时频率相比,无须进行复数计算,计算量很小,特别适用于处理信噪比较高、瞬时频率变化较缓慢的单分量调幅调频(AM-FM)信号瞬时频率的计算,是对AM-FM信号进行解调的有效方法。
2.2 Teager-Huang变换根据式(4)和式(5)分别求取式(1)中的每个固有模态函数c i(t)的瞬时频率f i(t)和瞬时幅值a i(t),把信号x(t)展开成如下形式x(t)=Re∑ni=1a i(t)ex p j∫2πf i(t)d t(6)其中:Re表示取实部。
式(6)中每个分量的幅值和相位都是随时间变化,幅值和相位被表示成时间的函数。
将式(6)的右部称为信号x(t)的Teager-Hua ng时频表示,记作T(k,t)=Re∑ni=1a i(t)exp j∫2πf i(t)d t(7) 运用式(7)可以将信号表示为时间-频率-幅值的三维图,其中幅值可以表示为时间-频率平面上的等高线图。
这个在时间-频率平面上的幅值分布图称为T HT幅值谱,简称为T HT谱。
3 基于EEMD和THT的齿轮故障诊断步骤 (1)对原始信号x(t)进行EEM D分解,得到其各个IM F分量c1,c2,…,c n。
(2)由式(4)和式(5)求出各个IM F分量的瞬时频率和瞬时幅值。
(3)由式(7)得到信号的THT谱。
(4)根据得到的T HT谱得出诊断结论。
4 基于EEMD和THT的信号仿真仿真信号解析表达式为 x(t)=cos[2π40t+0.5sin(2π20t)]+e-8t co s(2π180t)(8)仿真信号由一基频为40Hz,调制频率为20Hz 的调频信号和一个频率为180Hz的调幅信号叠加构成。
对式(8)中的调频频率求导,得到角频率k(t) k(t)=80π+20πco s(40πt)(9) 由式(9)可得到频率f(t)为f(t)=40+10cos(40πt)(10) 频率f(t)的变化范围为30≤f(t)≤50(11) 图1为仿真信号的时域图,该信号以40Hz为基497 第4期李 辉,等:基于EEM D和T HT的齿轮故障诊断方法 频,截取8个周期,每个周期采样64点,总的采样点数为512,采样频率f s =2560Hz ,采样时间为0.2s。
图1 仿真信号的时域图图2为式(8)表示的仿真信号的EM D 分解结果,c 1对应仿真信号180Hz 频率成分的调幅信号;c 2对应仿真信号的调频成分,其波形的间距有明显的变化;c 3,c 4两个分量为多余的分量,为EM D 方法在分解过程中产生了模态混叠想象,c 3,c 4没有任何物理意义;c 5为残余量,幅值较小,这是因为在分解中采用了3次样条插值,具有一定的误差。
图2 仿真信号的EM D 结果图3为式(8)表示的仿真信号EEM D 分解结果,c 1对应仿真信号180Hz 频率成分的调幅信号;c 2对应仿真信号的调频成分,其波形的间距有明显的变化;c 3为残余量。
对比图2和图3可知,通过EEM D 的时域分析已经知道仿真信号的频率组成成分、幅值的大小、相位及周期变化情况,说明EEMD 具有将信号蕴含的各个固有特征函数分解出来的功能,并能有效消除模态混叠的影响,分解出的IM F 具有确定的物理意义。
图4为仿真信号EEM D 分解后的T HT 时频幅图3 仿真信号的EEM D 结果图4 仿真信号的T HT值谱,幅值的大小由颜色棒图表征。
由图4可见,仿真信号有两个频率成分:一个是180Hz,随时间基本不变的成分,该成分对应信号180Hz 的调幅信号;另一个是围绕频率为40Hz 随时间波动的分量,波动周期为128点,而40Hz 基频的一个周期对应64点,所以此成分的频率波动周期为20Hz ,从波形看为余弦波形,对照式(10),此频率分量为该式的表征,频率的变动范围也未超出式(10)。
由仿真信号分析可知,基于EEM D 的Teag er-Hua ng 变换时频幅值谱可获得原信号的频率组成、频率和信号的幅度随时间动态变化的各种特征和参数,并能有效消除模态混叠的影响。
5 基于EEMD 和THT 的齿轮故障诊断当齿轮存在齿根疲劳裂纹等故障时,在齿轮啮合时振动信号的幅值和相位发生变化,产生幅值和相位调制。