基于自适应非趋势波动分析的齿轮振动信号特征提取
基于解调振动信号特征提取齿轮箱的故障诊断
关 键 词 ： 障 识 别 ； 调 振 动 信 号 ； ｌｅｔ 换 故 解 Ｈｉ ｒ变 ｂ
中图分类号 ： ＴＨ１ ５ ３ ６ ． 文献标识码 ： Ａ ｄ ｉ １ ． ９ ９ ｊｉｓ ． ７ —８ ９ ２ １ ． ９ ０ ８ ｏ ： ０ ３ ６ ／．ｓ ｎ １ ４ ２ ６ ． ０ ０ ０ ． １ ６
波 建 立 振 动 信 号 模 型 ， 而从 解 调 载 波 频 率 中 提 取 特 征 ， 鉴 定 齿 轮 箱 中 齿 轮 的 裂 纹 尺 寸 ． 方 法 用 于 分 析 在 从 以 该
不 同 角 速 度 、 同 负载 转 矩 和不 同 裂 纹 尺 寸 下 的 试 验 振 动 信 号 ， 果 表 明 ， 方 法 用 于 鉴 定 齿 轮 箱 中齿 轮 的 裂 不 结 该
相 关 的 啮合频 率 和 它们 的谐 波周 围边带 组 分增 多 的结果 ， 轮 齿 裂 纹 这 样 的局 部 缺 陷 产 生 瞬 态 信 像
号 输入 到振 动信 号 中， 故 障产 生 的 早期 阶段 ， 在 很 难 从宽 频带 和背 景组 分 中识别 边带 组分 ＿ ． １ ］ 对 齿 轮 箱 系 统 的 振 动 分 析 是 用 于 齿 轮 箱 故
Ｅ ＭＤ的解 调 以得 到 已调 制 信 号 的 瞬 时 频 率 和 振 幅， 并且 已经 证 明 了 该 方 法 用 Ｅ ＭＤ和 算 子 解 调 可 以有 效 的 提取 特 征 ． ｈ ｎ Ｚ ａ ｇ在 文献 ［ ］ ５ 中提 出基 于局 部 均值 分 解 的时 频 分 析 新 方 法 ， 以解 调 信 号
０ 引 言
近几 十年 来 ， 轮 箱 的 故 障 诊 断 一 直 是 非 常 齿 关 键 和重要 的 研 究 课 题 ， 轮 箱 故 障 诊 断 中一 个 齿 鲜 明 的特点 是 振 动 信 号 的振 幅 和相 位 调 制 ， 是 这
齿轮故障特征参数提取及最佳特征参数选择研究
齿轮故障特征参数提取及最佳特征参数选择研究全文共四篇示例，供读者参考第一篇示例：齿轮是机械传动系统中十分重要的零部件，通常用于传递动力和扭矩。
齿轮在长期运行过程中可能会出现故障，导致设备损坏和停工。
对齿轮故障进行监测和预警变得至关重要。
在齿轮故障监测中，特征参数提取和特征参数选择是两个关键的步骤。
我们需要明确齿轮故障的特征参数。
齿轮故障通常表现为振动、温升、声音等多种信号。
而这些信号可以通过信号处理技术提取到特征参数。
特征参数的选择需要考虑到其具有代表性、稳定性和可靠性。
一般来说，使用时域特征、频域特征和时频特征是比较常见的方法。
时域特征包括均值、标准差、峭度、偏度等；频域特征包括功率谱密度、频率特性等；时频特征包括小波包特征、变参数特征等。
如何选择最佳的特征参数也是需要研究的问题。
在特征参数选择中，传统的方法是基于专家经验进行手动选择。
但是这种方法存在主观性强、效率低的问题。
为了提高特征参数的选择效率和准确性，近年来许多研究者提出了基于数据驱动的特征选择方法。
这些方法包括基于统计学习、机器学习和深度学习的特征选择算法。
统计学习方法包括主成分分析（PCA）、线性判别分析（LDA）、相关分析等；机器学习方法包括支持向量机（SVM）、决策树、随机森林等；深度学习方法包括卷积神经网络（CNN）、循环神经网络（RNN）等。
对于不同的齿轮故障类型和监测系统，最佳特征参数的选择可能会有所不同。
在实际应用中，需要根据具体情况选择合适的特征参数提取和特征参数选择方法。
为了进一步提高齿轮故障监测的准确性和效率，还可以结合多种特征参数提取和选择方法，构建多特征融合模型。
第二篇示例：齿轮是机械设备中常见的传动元件，其工作状态直接影响整个系统的运行效率和稳定性。
齿轮在长时间运转过程中可能会出现故障，导致设备失效。
对齿轮故障进行有效监测和预测显得尤为重要。
本文将从齿轮故障特征参数的提取和选择两个方面进行深入研究，以期为齿轮故障预测提供更准确和可靠的依据。
《2024年基于EMD和随机共振的机械故障特征提取方法研究》范文
《基于EMD和随机共振的机械故障特征提取方法研究》篇一一、引言随着工业自动化和智能化水平的不断提高，机械设备的运行状态监测与故障诊断变得尤为重要。
机械故障特征提取是故障诊断的关键步骤，其准确性直接影响到诊断结果的可靠性。
针对传统故障诊断方法在处理非线性和非稳态信号时存在的一些局限性，本文提出了一种基于经验模态分解（Empirical Mode Decomposition，EMD）和随机共振（Stochastic Resonance，SR）的机械故障特征提取方法。
该方法通过EMD对信号进行分解，再利用随机共振对分解得到的本征模态函数（Intrinsic Mode Functions，IMF）进行特征提取，从而实现对机械故障的准确诊断。
二、EMD理论及在故障特征提取中的应用EMD是一种自适应的信号处理方法，能够根据信号本身的时频特性进行模态分解。
在机械故障诊断中，EMD可以有效地将复杂的振动信号分解为一系列具有物理意义的IMF。
每个IMF都包含了原始信号中的不同频率成分，且各IMF的频率由高到低排列。
因此，通过对IMF的分析，可以提取出反映机械故障的特征信息。
三、随机共振理论及在特征提取中的应用随机共振是一种非线性信号处理方法，其基本思想是利用外界周期性激励与系统固有频率的匹配，使系统在随机噪声背景下产生共振现象，从而增强信号的信噪比。
在机械故障诊断中，随机共振可以有效地提取出淹没在噪声中的微弱故障特征。
通过将随机共振与EMD相结合，可以进一步提高故障特征提取的准确性和可靠性。
四、基于EMD和随机共振的故障特征提取方法本文提出的基于EMD和随机共振的机械故障特征提取方法主要包括以下步骤：1. 对原始振动信号进行EMD分解，得到一系列IMF；2. 对每个IMF进行随机共振处理，增强其中的故障特征；3. 对处理后的IMF进行进一步分析，提取出反映机械故障的特征信息；4. 根据提取的特征信息进行故障诊断和预警。
《2024年基于振动信号的机械故障特征提取与诊断研究》范文
《基于振动信号的机械故障特征提取与诊断研究》篇一一、引言随着工业的快速发展，机械设备的稳定运行对于企业的生产效率和经济效益至关重要。
然而，由于各种因素的影响，机械设备在运行过程中常常会出现各种故障。
因此，对机械故障进行准确、及时的诊断与处理显得尤为重要。
振动信号作为机械设备运行状态的重要表征，其包含了丰富的设备运行信息。
本文旨在研究基于振动信号的机械故障特征提取与诊断方法，以提高机械故障诊断的准确性和效率。
二、振动信号的特征分析振动信号包含了机械设备运行状态的各种信息，包括转速、负载、温度等。
通过对振动信号的分析，可以提取出反映设备运行状态的特征参数。
这些特征参数主要包括时域参数、频域参数和时频域参数。
时域参数主要包括峰值、均方根值、峰值因子、脉冲因子等，可以反映设备的运行状态和冲击程度。
频域参数则包括频率、振幅等，可以反映设备的频率特性和振动的激烈程度。
时频域参数则结合了时域和频域的信息，可以更全面地反映设备的运行状态。
三、机械故障特征提取方法针对机械故障诊断的需求，本文提出了一种基于振动信号的机械故障特征提取方法。
该方法主要包括信号预处理、特征提取和特征选择三个步骤。
1. 信号预处理：对原始振动信号进行去噪、滤波等处理，以提高信号的信噪比和可靠性。
2. 特征提取：采用时域分析、频域分析和时频域分析等方法，从预处理后的信号中提取出反映设备运行状态的特征参数。
3. 特征选择：通过统计学习、机器学习等方法，对提取出的特征参数进行选择和优化，以得到最能反映设备故障的特征参数。
四、机械故障诊断方法基于提取出的机械故障特征参数，本文提出了一种基于模式识别的机械故障诊断方法。
该方法主要包括特征降维、模式识别和诊断结果输出三个步骤。
1. 特征降维：通过主成分分析、独立成分分析等方法，对高维特征参数进行降维处理，以降低计算的复杂度和提高诊断的准确性。
2. 模式识别：采用支持向量机、神经网络等机器学习方法，对降维后的特征参数进行分类和识别，以判断设备的运行状态和故障类型。
基于小波相关—包络排列熵的齿轮故障特征提取
基于小波相关—包络排列熵的齿轮故障特征提取杨晋溥;崔超;冯辅周;江鹏程【摘要】振动信号是齿轮箱故障特征信息的有效载体,对振动信号的分析可实现不停机操作下的齿轮箱故障诊断.但振动信号易受噪声干扰,特别在复杂设备中,众多运动部件同时产生振动激励,使得实际获取信号的信噪比较低.针对传统方法存在的问题,将小波相关降噪和包络谱分析技术相结合,并利用排列熵对微弱信号变化敏感的特点,提出了基于小波相关—包络排列熵的齿轮故障特征提取方法,实现了齿轮箱不同状态下故障特征的提取.通过仿真信号和诊断实例分析结果表明,该方法比传统的信号分析方法更有效地凸显齿轮的故障特征.【期刊名称】《机械设计与制造》【年(卷),期】2015(000)011【总页数】5页(P268-272)【关键词】齿轮;故障诊断;小波相关;包络分析;排列熵【作者】杨晋溥;崔超;冯辅周;江鹏程【作者单位】装甲兵工程学院机械工程系,北京100072;装甲兵工程学院机械工程系,北京100072;装甲兵工程学院机械工程系,北京100072;装甲兵工程学院机械工程系,北京100072【正文语种】中文【中图分类】TH16;TB52+6;TH165+摘.：振动信号是齿轮箱故障特征信息的有效载体，对振动信号的分析可实现不停机操作下的齿轮箱故障诊断。
但振动信号易受噪声干扰，特别在复杂设备中，众多运动部件同时产生振动激励，使得实际获取信号的信噪比较低。
针对传统方法存在的问题，将小波相关降噪和包络谱分析技术相结合，并利用排列熵对微弱信号变化敏感的特点，提出了基于小波相关—包络排列熵的齿轮故障特征提取方法，实现了齿轮箱不同状态下故障特征的提取。
通过仿真信号和诊断实例分析结果表明，该方法比传统的信号分析方法更有效地凸显齿轮的故障特征。
振动噪声信号是机械故障的一种表征信号，齿轮箱中各种部件在工作时均会产生振动，发生故障时，振动噪声的能量分布会发生改变，对其进行处理与分析便可以实现机械运行过程中的故障诊断[1]。
机械振动信号的特征提取与故障诊断方法
机械振动信号的特征提取与故障诊断方法引言机械振动信号是工业生产中常见的一种信号类型，它可以反映出机器设备的状态和工作情况。
因此，对机械振动信号进行特征提取和故障诊断具有重要意义。
本文将介绍机械振动信号的特征提取方法以及常用的故障诊断方法。
一、机械振动信号的特征提取方法1. 时域特征提取时域特征提取是最常见的一种方法，它通过分析振动信号在时间上的变化来提取信号的特征。
常用的时域特征包括振动信号的均值、方差、偏度和峭度等。
这些特征可以反映出信号的平稳性、波形形状以及分布情况。
2. 频域特征提取频域特征提取是将振动信号从时域转化为频域进行分析，它可以反映信号在不同频率上的能量分布情况。
常用的频域特征包括信号的频谱、功率谱和自相关函数等。
通过分析这些特征，我们可以了解信号存在的频率成分以及频率分布情况。
3. 统计特征提取统计特征提取是通过对振动信号的统计性质进行分析来提取信号的特征。
常用的统计特征包括信号的平均值、标准差、自相关系数和互相关系数等。
这些特征可以反映出信号的整体变化趋势和波动性质。
二、机械振动信号的故障诊断方法1. 图谱分析法图谱分析法是一种将频域特征应用于故障诊断的方法，它通过对振动信号的频谱进行分析来判断故障类型。
常用的图谱分析方法包括快速傅里叶变换（FFT）、小波变换和功率谱密度分析等。
这些方法可以帮助我们找到信号中存在的频率成分和故障特征。
2. 统计模型方法统计模型方法是一种通过建立数学模型来进行故障诊断的方法，它通过统计学原理和机器学习算法来分析振动信号的特征。
常用的统计模型方法包括支持向量机（SVM）、神经网络和隐马尔可夫模型等。
这些方法可以通过对训练样本的学习来建立模型，并根据新的振动信号进行分类和预测。
3. 综合诊断方法综合诊断方法是一种将多种特征和方法相结合的故障诊断方法，它通过综合分析振动信号的特征来判断故障的类型和程度。
常用的综合诊断方法包括模式识别方法、聚类分析和特征选择算法等。
基于多重分形去趋势波动分析的齿轮箱故障特征提取方法
Байду номын сангаасＦａ ｕｌ ｔ ｆ ｅ ａ ｔ ｕｒ ｅ ｅ ｘ ｔ ｒ ａ ｃ ｔ ｉ ｏ ｎ ｏ ｆ ｇ ｅ ａ ｒ ｂ ｏ ｘ ｅ ｓ ｂａ ｓ ｅ ｄ ｏ ｎ ｍ ｕｌ ｔ ｉ ｆ ｒ ａ ｃ ｔ ａ ｌ ｄｅ ｔ ｒ ｅ ｎｄ ｅ ｄ ｌｕｃ ｆ ｔ ｕａ ｔ ｉ ｏ ｎ ａ ｎａ ｌ ｙ ｓ ｉ ｓ
Ｄ Ｆ Ａ） 不能准确揭示 隐藏在这类信 号中的动力学行为 。多重分形去趋势 波动分析 （ Ｍｕ ｈ ｉ ｆ ｒ ａ ｃ ｔ ａ ｌ Ｄ ｅ ｔ ｒ ｅ ｎ ｄ ｅ ｄ Ｆ ｌ ｕ ｃ ｔ ｕ ａ ｔ ｉ ｏ ｎ Ａ ｎ ａ ｌ ｙ ． ｓ ｉ ｓ ， ＭＦ — Ｄ Ｆ Ａ） 是 Ｄ Ｆ Ａ方法 的拓展 ， 能够有效地揭示隐藏在 多标度 非平稳 信号 中的 动力学行 为。利用 ＭＦ ． Ｄ Ｆ Ａ计算齿 轮
Ｌ ／ Ｎ Ｊ ｉ ｎ — ｓ ｈ ａ ｈ 一，Ｃ Ｈ Ｅ Ｎ Ｑ ｉ ａ ｎ
（ １ ．Ｓ ｔ ａ ｔ ｅ Ｋ ｅ ｙ Ｌ ａ ｂ ｏ ｒ ａ ｔ ｏ ｒ ｙ ｏ ｆ Ｍｅ ｃ ｈ ａ ｎ ｉ ｃ ｓ ａ ｎ ｄ Ｃ ｏ ｎ ｔ ｒ ｏ ｌ ｏ ｆ Ｍｅ ｃ ｈ ａ ｎ ｉ ｃ ａ ｌ Ｓ ｔ ｒ ｕ ｃ ｔ ｕ ｒ ｅ ｓ ， Ｎ ａ ｎ ｊ ｉ ｎ ｇ Ｕ ｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ｏ ｆ Ａ ｅ ｒ ｏ ｎ ａ ｕ ｔ ｉ ｃ ｓ ａ ｎ ｄ Ａ ｓ ｔ ｒ ｏ ｎ ａ ｕ ｔ ｉ ｃ ｓ ， Ｎ ａ ｎ ｊ ｉ ｎ ｇ ２ １ ０ ０ １ ６ ， Ｃ ｈ ｉ ｎ ａ ；
Ａｂｓ ｔ ｒ ａ ｃ ｔ ： Ｇｅ ａ ｒ ｂｏ ｘ ｆ ａ ｕ ｌ ｔ ｄａ ｔ ａ ａ ｒ ｅ ｕ ｓ ｕ ａ ｌ ｌ ｙ ｃ ｈ ａ ｒ ａ ｃ ｔ ｅ ｉｚ ｒ ｅ ｄ ｂ ｙ ｎ ｏ ｎ ｓ ｔ ａ ｔ ｉ ｏ ｎ ａ ｒ ｉ ｔ ｙ ａ ｎ ｄ ｍｕｌ ｔ ｉ ｐ ｌ ｅ ｓ ｃ ａ ｌ ｉ ｎ ｇ ｂ ｅ ｈ ａ ｖ ｉ ｏ ｒ ｓ ，ａ
基于传动机理分析的行星齿轮箱振动信号仿真及其故障诊断
基于传动机理分析的行星齿轮箱振动信号仿真及其故障诊断一、本文概述随着现代工业技术的飞速发展，行星齿轮箱作为机械设备中的关键部件，其性能的稳定性和可靠性对于设备的整体运行具有至关重要的作用。
然而，由于行星齿轮箱结构的复杂性和工作环境的恶劣性，其故障诊断一直是机械故障诊断领域的难点和热点。
为了更深入地理解行星齿轮箱的故障机理，提高故障诊断的准确性和效率，本文开展了基于传动机理分析的行星齿轮箱振动信号仿真及其故障诊断研究。
本文首先介绍了行星齿轮箱的基本结构和传动原理，分析了其振动信号的特点和产生机理。
在此基础上，建立了行星齿轮箱的振动信号仿真模型，通过仿真模拟，深入探讨了不同故障类型对振动信号的影响规律。
结合现代信号处理和机器学习技术，提出了一种基于振动信号分析的行星齿轮箱故障诊断方法，实现了对故障类型的准确识别和故障程度的定量评估。
本文的研究不仅有助于深化对行星齿轮箱故障机理的理解，也为实际工程中的故障诊断提供了有力的理论支持和技术手段。
通过振动信号仿真和故障诊断方法的结合，可以有效提高行星齿轮箱故障诊断的准确性和效率，为保障设备的安全稳定运行提供有力保障。
二、行星齿轮箱传动机理分析行星齿轮箱是一种广泛应用于各种工业设备中的复杂传动机构，其独特的传动方式和结构特点使得其振动信号具有独特的特征。
为了准确模拟行星齿轮箱的振动信号并进行故障诊断，首先需要深入理解其传动机理。
行星齿轮箱的核心部件是行星轮系，它由一个中心太阳轮、多个行星轮以及一个内齿圈组成。
行星轮通过行星架与太阳轮和内齿圈同时啮合，形成了一种独特的传动方式。
在行星齿轮箱工作过程中，由于齿轮之间的啮合作用，会产生动态载荷和振动。
太阳轮作为动力输入端，其旋转驱动行星轮进行公转和自转。
行星轮在公转过程中，通过与内齿圈的啮合，将动力传递到输出端。
这种传动方式使得行星齿轮箱具有较高的传动比和紧凑的结构，但同时也带来了振动和噪声问题。
在行星齿轮箱的传动机理中，齿轮啮合是一个关键因素。
齿轮故障特征参数提取及最佳特征参数选择研究
齿轮故障特征参数提取及最佳特征参数选择研究1. 引言1.1 研究背景齿轮是机械传动系统中不可或缺的部件，其性能直接关系到机械设备的运行效率和稳定性。
随着使用时间的延长，齿轮可能会出现各种故障，如磨损、断裂、裂纹等。
这些故障不仅会降低机械设备的工作效率，还会带来安全隐患。
及时发现并修复齿轮故障对于保证机械设备的正常运行至关重要。
为了有效监测齿轮的运行状态并及时发现故障迹象，研究人员开始关注齿轮故障特征参数的提取和分析。
通过监测和分析齿轮运行时产生的振动、声音、温度等信号，可以获取到一系列与齿轮状态相关的特征参数。
这些特征参数可以帮助工程师判断齿轮是否存在故障，并找出故障的具体位置和原因。
研究齿轮故障特征参数的提取方法和最佳特征参数的选择方法对于实现齿轮故障的早期预警和精准诊断具有重要意义。
1.2 研究目的研究目的是为了探究齿轮故障特征参数的提取及最佳特征参数选择方法，以提高对齿轮故障的检测和诊断准确性。
通过研究不同提取方法和选择方法的效果，可以为工程师和研究人员提供更有力的工具和方法，从而更好地预测齿轮故障，减少生产中的损失和维护成本。
通过本研究还可以深入了解齿轮故障特征参数的物理意义和数学模型，为未来更复杂领域的研究工作打下基础。
本研究旨在为齿轮故障诊断领域提供新的思路和方法，促进该领域的发展，推动工业生产的进步。
2. 正文2.1 齿轮故障特征参数的概念和重要性齿轮是机械传动中常用的部件，其正常运行对于整个机械系统的性能至关重要。
齿轮故障是导致机械设备损坏甚至停机的主要原因之一。
及时准确地检测和诊断齿轮故障是保障设备可靠运行的关键。
齿轮故障特征参数是指通过对齿轮运行状态的监测和分析获得的一组数据指标，用于描述齿轮工作状态和健康状况。
这些特征参数可以包括振动信号、温度、声音等多种数据信息，通过对这些特征参数的提取和分析，可以实现对齿轮运行状态的实时监测和故障诊断。
齿轮故障特征参数的重要性在于它们可以为齿轮故障的早期诊断提供有效依据，帮助设备维护人员及时发现和处理潜在故障隐患，减少设备停机时间，提高设备可靠性和运行效率。
齿轮箱振动信号降噪及特征提取方法研究
[( ) ] t
σ( t)
+j πt
uk( t)
e －jωkt
ቤተ መጻሕፍቲ ባይዱ
}}2
2
s．t． ∑uk = f
k
( 1)
上式的{ uk} = { u1，…，uk} 是分解形成的 k 个 IMF 分量; { ωk} = { ω1，…，ωk} 表示不同分量的频率 中心。
计算 约 束 变 分 最 优 解 时 需 引 入 下 述 增 广
齿轮箱振动信号降噪及特征提取方法研究
卢昌仁
( 中铁十八局集团有限公司，天津 300000)
摘 要: 以峭度值来构建适应度函数，再利用粒子群自适应优化方法得到最大峭度对应的分解层数。对仿真信号降
噪情况进行分析可知，本文算法可以更加高效提取得到微弱特征频率，从而完成齿轮箱故障有效判别。通过信号处
理测试可知，本文方法可以有效抑制齿轮箱振动产生的强背景噪声，使频率混叠得到充分消除，从而更加准确提取
Dragomiretskiy 等在 2014 年首次设计一种变分 模态分解( VMD) 方法［3］，可以实现信号的自适应处
·60·
理，其特点是以非递归的形式来达到自适应信号处 理的过程。计算本征模态分量( IMF) 时利用迭代搜 寻方法获得模型的最优解并在此基础上求解出所有 分量的宽度及其频率中心，之后以自适应方式剖分 信号频域并分离各个分量［4］，能够显著提高对脉冲 干扰的抑制作用［8－10］。
通过交替方向乘子法实现上述参数的更新，同
时计算出增广 Lagrange 表达式鞍点，包含以下各步
骤:
1) { ω1k } 、{ u^1k } 、λ^1、n 的初始化; 2) 循环过程: n = n + 1;
基于小波包分解与K-L变换的齿轮泵振动信号故障特征提取方法
Ｋｅ ｙ ｗｏ ｒ ｄ ｓ ：Ｆ ａ ｕ ｌ ｔ ｄ ｉ ａ ｎｏ ｇ ｓ ｉ ｓ ；Ｗ ａ ｖ ｅ ｌ ｅ ｔ ｐ ａ ｃ ｋ ｅ ｔ ｄ ｅ ｃ ｏ ｍｐ ｏ ｓ ｉ ｔ ｉ ｏ ｎ； Ｋ— Ｌ ｔ ｒ ａ ｎ ｓ ｆ ｏ ｒ ｍ； Ｆ ｅ ａ ｔ ｕ ｒ ｅ ｅ ｘ ｔ ｒ ａ ｃ ｔ ｉ ｏ ｎ
ｔ ｏ ｒ ｓ ｅ ｔ ｗａ ｓ ｕ ｓ ｅ ｄ ｔ ｏ ｓ ｕ ｐ ｐ ｏ ｒ ｔ ｖ ｅ ｃ ｔ ｏ ｒ ｍａ ｃ ｈ ｉ ｎ ｅ ｍｏ ｄ ｅ ｌ ｔ ｒ ａ ｉ ｎ ｉ ｎ ｇ ．Ｔ ｈ ｅ ｒ ｅ ｓ ｕ ｌ ｔ ｓ ｈ ｏ ｗ ｓ ｔ ｈ ａ ｔ ｔ ｈ ｅ ｍｅ ｔ ｈ ｏ ｄ ｃ ａ ｎ ｅ ｆ ｆ ｅ ｃ ｔ ｉ ｖ ｅ ｌ ｙ ｉ ｍｐ ｒ ｏ ｖ ｅ ｔ ｈ ｅ ａ ｃ ｃ ｕ ｒ ａ ｃ ｙ ａ ｎ ｄ
ｗ ａ ｖ ｅ ｌ ｅ ｔ ｐ ａ ｃ ｋ ｅ ｔ ｄ ｅ ｃ ｏ ｍｐ ｏ ｓ ｉ ｔ ｉ ｏ ｎ ａ ｎ ｄ Ｋ－ Ｌ ｔ ｒ ａ ｎ ｓ ｆ ｏ ｒ ｍ，ｐ ｒ ｅ ｓ ｅ ｎ ｔ ｅ ｄ ａ ｓ ｕ ｉ ｔ ａ ｂ ｌ ｅ ｓ ｕ ｐ ｐ ｏ ｒ ｔ ｖ ｅ ｃ ｔ ｏ ｒ ｍａ ｃ ｈ ｉ ｎ ｅ ｆ ａ ｕ ｌ ｔ ｄ ｉ ａ ｇ ｎ ｏ ｓ ｉ ｓ ｆ ｅ ａ ｔ ｕ ｒ ｅ ｅ ｘ ｔ ｒ ａ ｃ ｔ ｉ ｏ ｎ ｍｅ ｔ ｈ ｏ ｄ Ｔ ｈ ｅ ｆ ｅ ａ ｔ ｕ ｒ ｅ ｖ ｅ ｃ ｔ ｏ ｒ ｗａ ｓ ｄ ｅ ｃ ｏ ｍｐ ｏ ｓ ｅ ｄ ｂ ｙ ｗａ ｖ ｅ ｌ ｅ ｔ ｐ ａ ｃ ｋ ｅ ｔ ，ａ ｎ ｄ ｔ ｈ ｅ ｎ ｅ ｗ ｆ ｅ ａ ｔ ｕ ｒ ｅ ｖ ｅ ｃ ｔ ｏ ｒ ｓ ｅ ｔ ｗａ ｓ ｐ ｒ ｏ ｃ ｅ ｓ ｓ ｅ ｄ ｂ ｙ Ｋ— Ｌ ｔ ｒ ａ ｎ ｓ ｆ ｏ ｍ ． ｒ Ｔ ｈ ｅ ｆ ｅ ａ ｔ ｕ ｒ ｅ ｖ ｅ ｃ －
变分模态分解在齿轮故障特征提取中的应用
模态函数必须满足以下 ２个条件：
（１）在整 个 数 据 序 列 内，局 部 极 值 点 个 数 和 零 点个数必须相等或相差 １个［４］。
第一作者简介：王宏民，男，１９６２年 １月生，哈尔滨理工大学自 动化学院，教授。Ｅ－ｍａｉｌ：１３９０４８１０９０８＠１６３．ｃｏｍ。
收稿日期：２０１９年 ４月 ２２日。 责任编辑：张 玉。
变分模态分解算法影响较大。针对以上问题，本文 以植树机变速箱一级传动齿轮作为试验对象，应用 变分模态分解方法处理齿轮传动噪声信号，并从噪 声信号中分离出齿轮啮合频率分量及其倍频分量， 通过对啮合频率所在分量的分析以及视频特征，实 现了对齿轮裂纹故障信号特征的有效提取。
１ 检测方法原理
１．１ 经验模态分解算法简介
经验模态分解算法是由 Ｈｕａｎｇｅｔａｌ．［３］于 １９９８
年提出的一种信号处理方法。经验模态分解可以将
一个复杂的非平稳信号自适应地分解为若干个本征
模态函数（ＩＭＦ）和一个残差之和，即：
ｎ
∑ ｘ（ｔ）＝ ｉ＝１ｆｉ（ｔ）＋ｒｎ（ｔ）。
（１）
式中：ｆｉ（ｔ）为经经验模态分解分解后得到的第 ｉ个 本征模态函数；ｒｎ（ｔ）为去除 ｎ个本征模态函数后的 残余项，代表信号的直流分量或者趋势。其中本征
基于自适应随机共振和稀疏编码收缩算法的齿轮故障诊断方法
征的处理方法,通 过 构 建 评 价 随 机 共 振 效 果 的 测
度函数,控制调整噪声或系统参数实现信号、噪声
令U (
x)＝０,可得到一个非稳态解x ＝０和两
个 稳 态 解 x± ＝± a/
b . 势 垒 高 度 为 ΔU ＝
２
U(
０)－U (
x± )＝a /(
定量表征信号中的冲击成分,但对初期损伤敏感,
信号、噪 声 与 非 线 性 系 统 三 者 间 最 佳 匹 配 的
对不同冲击幅值、多 冲 击 分 量 特 征 的 整 体 定 量 刻
过程.
号中 冲 击 特 征 的 有 效 提 取
[
１２
１３]
画效果不理想;互 相 关 系 数 可 定 量 地 表 征 两 个 信
s co
r
Ｇ
go
r
e
l
a
t
edkur
t
o
s
i
swa
sadop
t
eda
st
he me
a
su
r
emen
ti
ndexo
fs
t
ocha
s
t
i
cr
e
s
onanc
e,wh
i
ch wa
sus
edt
o
c
ons
t
ruc
tt
hef
i
t
ne
s
sf
unc
t
i
ono
fgene
t
i
ca
l
r
i
t
特征降维与自适应特征提取方法及其在行星齿轮箱故障诊断中的应用研究
特征降维与自适应特征提取方法及其在行星齿轮箱故障诊断中的应用研究摘要：降维和特征提取是故障诊断中的重要问题。
本文首先介绍了特征降维的概念和方法，包括PCA、LDA、t-SNE等，重点探讨了特征选择和特征融合技术。
然后，本文介绍了自适应特征提取的概念和方法，包括小波变换、自编码器、卷积神经网络等。
最后，以行星齿轮箱为例，介绍了特征降维和自适应特征提取在故障诊断中的应用。
实验结果表明，该方法可以有效地提高行星齿轮箱故障诊断的准确度和鲁棒性。
关键词：特征降维；特征提取；自适应特征提取；行星齿轮箱；故障诊断1. 引言在机械设备故障诊断中，选择合适的特征并将其提取出来是至关重要的。
然而，现实中的数据集往往是高维度的，这使得数据处理变得非常困难。
为了解决这个问题，研究者们提出了许多特征降维和特征提取的方法。
特征降维是指将高维数据映射到低维空间的过程，通常采用主成分分析（PCA）、线性判别分析（LDA）、t-SNE等方法。
特征提取是指将原始数据变换成一组更适合预测和分类的特征的过程。
自适应特征提取是指通过学习从而获取最优特征的过程，通常采用小波变换、自编码器、卷积神经网络等方法。
本文旨在探讨特征降维和自适应特征提取的方法，以及它们在行星齿轮箱故障诊断中的应用。
2. 特征降维2.1 PCA主成分分析（PCA）是一种常见的降维方法，它通过线性变换将原始数据映射到新的坐标系中。
在新的坐标系中，数据方差最大的方向被定义为第一主成分，第二主成分为数据在第一主成分方向上的方差最大的方向，以此类推。
选择主成分时，通常选择方差贡献率大于某一阈值的主成分。
2.2 LDA线性判别分析（LDA）也是一种常见的降维方法，它通过线性变换将数据映射到低维子空间中，使得类别之间的距离最大化，同一类别内的距离最小化。
它的优点在于可以保留不同类别之间的信息。
2.3 t-SNEt分布随机邻域嵌入（t-SNE）是一种非线性降维方法，它将高维空间中的相似度转换为低维度空间中的相似度，通过最小化高维数据和低维数据之间的KL散度来实现降维。
《2024年基于振动信号的机械故障特征提取与诊断研究》范文
《基于振动信号的机械故障特征提取与诊断研究》篇一一、引言随着工业的快速发展，机械设备在生产过程中的作用日益凸显。
然而，机械设备的故障往往会导致生产线的停工，甚至可能引发安全事故。
因此，对机械设备的故障诊断与预测成为了工业领域的重要研究课题。
在众多故障诊断方法中，基于振动信号的故障诊断因其非接触性、实时性和准确性，得到了广泛的应用。
本文将针对基于振动信号的机械故障特征提取与诊断进行研究，以期为机械设备的维护与检修提供理论支持。
二、振动信号的采集与处理振动信号的采集是机械故障诊断的基础。
通过安装在机械设备上的传感器，我们可以实时获取设备的振动信息。
这些信息包含了设备的运行状态、负载情况以及潜在的故障信息。
为了提取有用的故障特征，我们需要对采集到的振动信号进行预处理。
预处理过程主要包括信号的滤波、去噪和特征提取。
滤波可以去除信号中的干扰成分，提高信号的信噪比。
去噪则可以通过各种算法，如小波变换、经验模态分解等，将信号中的噪声成分进行有效抑制。
特征提取则是从处理后的信号中提取出与故障相关的特征信息，如振动的幅度、频率、波形等。
三、机械故障特征提取机械故障的特征提取是机械故障诊断的关键步骤。
通过分析振动信号的时域、频域和时频域特征，我们可以提取出与设备故障相关的特征信息。
在时域分析中，我们可以计算振动的均值、方差、峰值等统计量，以评估设备的运行状态。
在频域分析中，我们可以通过频谱分析、阶次分析等方法，识别出设备在不同频率下的振动情况。
时频域分析则可以同时考虑时间和频率的信息，通过小波变换、短时傅里叶变换等方法，揭示设备在运行过程中的动态变化。
针对特定的机械设备，我们还可以结合设备的运行原理和故障模式，提取出更具针对性的特征信息。
例如，对于旋转机械设备，我们可以提取出轴承的振动信号，通过分析轴承的频率成分和波形变化，判断轴承的磨损、润滑情况以及可能的故障类型。
四、机械故障诊断在提取出机械故障特征后，我们需要建立相应的诊断模型，对设备的运行状态进行判断。
基于自适应时频滤波的变转速齿轮故障特征提取
基于自适应时频滤波的变转速齿轮故障特征提取陈向民;张亢;晋风华;李录平【摘要】针对变转速下齿轮的故障信号分离与故障特征提取,提出了基于线调频小波路径追踪(Chirplet PathPursuit,CPP)与S变换的自适应时频滤波方法.该方法先采用CPP算法从原始齿轮振动信号中估计出齿轮啮合频率,同时,对原始振动信号进行S变换获取其时频分布;然后根据齿轮啮合频率设计自适应时频滤波器;再采用时频滤波器对信号的时频分析进行时频滤波,并将时频滤波结果进行S逆变换,即可得到包含齿轮故障信息的滤波信号;最后对滤波信号进行阶次分析,并根据阶次谱中的调制边频带诊断齿轮故障.对变转速下齿轮的局部故障进行了算法仿真和应用实例分析,结果表明,自适应时频滤波器可根据信号的频率变化特点自适应地改变中心频率和带宽,具有较好的信号分析自适应性,且滤取的信号无相位畸变,非常适合于变转速下的非平稳信号分析.%Aiming at the fault signal separation and fault characteristics extraction of gears under variable rotational speed,an adaptive time-frequency filtering method based on the chirplet path pursuit (CPP) and S transform was proposed.In the method,the gear mesh frequency was estimated from an original gear vibration signal by using the CPP,meanwhile,the time-frequency distribution of the original gear vibration signal was obtained by using the S transform.An adaptive time-frequency filter was designed according to the gear mesh frequency,and the time-frequency filtering was carried out on the time-frequency distribution of the original signal,which was followed by the inverse S transform so as to get the filtered signal containing gear fault informations.Then,the gear fault diagnosis was carried out according tothe modulation sideband in the order spectrum,which was obtained by using order tracking to the filtered signal.The local faults of the gear were analysed both by simulations and examples.The results show that the adaptive time-frequency filter can adaptively change its centre frequency and bandwidth according to the frequency variation characteristics of the gear.It has a good adaptability for signal analysis,moreover,the filtered signal is without phase distortion.Therefore,the adaptive time-frequency filtering method is very suitable for analyzing non-stationary gear signals under variable rotational speed.【期刊名称】《振动与冲击》【年(卷),期】2018(037)010【总页数】7页(P135-140,148)【关键词】自适应时频滤波;线调频小波路径追踪;S变换;变转速;齿轮【作者】陈向民;张亢;晋风华;李录平【作者单位】长沙理工大学能源与动力工程学院,长沙410076;长沙理工大学能源与动力工程学院,长沙410076;长沙理工大学能源与动力工程学院,长沙410076;长沙理工大学能源与动力工程学院,长沙410076【正文语种】中文【中图分类】TH113.1;TH165.3齿轮是旋转机械中的重要动力传输部件。
基于局部均值分解的齿轮振动信号分析与研究
基于局部均值分解的齿轮振动信号分析与研究边杰;陈亚农【摘要】齿轮振动信号常表现出明显的非线性和非平稳特征.为有效提取齿轮振动信号的特征信息,将自适应信号分解方法——局部均值分解用于齿轮振动信号的分析.使用局部均值分解对三种状态的齿轮振动信号进行分解,得到一组PF分量,并对PF分量进行频谱分析.分析结果表明,局部均值分解完成了对齿轮振动信号的有效分解,各PF分量的幅值谱获得了不同状态齿轮振动信号的特征谱线,实现了对齿轮状态特征的准确提取.%Gear vibration signals often present obvious nonlinear and non-stationary characteristics.In or-der to effectively extract the feature information of gear vibration signals,the adaptive signal decomposition method named local mean decomposition was used in the analysis of gear vibration signal.The local mean decomposition decomposed three states of gear vibration signals,and a set of PF components were obtained, and then the obtained PF components were analyzed through spectrum analysis. The results demonstrated that the local mean decomposition completed the effective decomposition of gear vibration signals,and the amplitude spectrum of each PF component acquired the characteristic spectrums of gear vibration signals in different states,which realized the accurate extraction of the gear state characteristics.【期刊名称】《燃气涡轮试验与研究》【年(卷),期】2018(031)001【总页数】5页(P31-34,44)【关键词】齿轮;局部均值分解;频谱分析;剥落故障;磨损故障【作者】边杰;陈亚农【作者单位】中国航发湖南动力机械研究所航空发动机振动技术航空科技重点实验室,湖南株洲412002;中国航发湖南动力机械研究所航空发动机振动技术航空科技重点实验室,湖南株洲412002【正文语种】中文【中图分类】TH133.3;TN911.7;TP206+.31 引言齿轮传动是机械设备中最常用的一种传动方式。
基于自适应随机共振的齿轮微弱冲击故障信号增强提取方法研究
基于自适应随机共振的齿轮微弱冲击故障信号增强提取方法研究李继猛;张云刚;张金凤;谢平【摘要】针对强背景噪声下冲击信号难以检测的问题,提出一种基于自适应随机共振的齿轮微弱冲击故障信号增强提取方法.首先,利用峭度指标和互相关系数构造修正峭度指标作为随机共振检测冲击信号的测度函数;其次,利用滑动窗将多冲击分量信号分割成多个单冲击分量信号作为随机共振的系统输入,并借助遗传算法实现系统参数的自适应选取;最后,将提出的方法应用于电力机车走行部齿轮箱故障诊断,结果显示该方法可有效实现微弱冲击特征的增强提取.%Aiming at the problem of impact signal detection under strong noise background,an adaptive stochastic resonance method for enhancement and extraction of gear weak impact Fault Signal is proposed.First,a new modified kurtosis index is constructed by using kurtosis index and correlation coefficient,which is applied as the measurement index of stochastic resonance for the detection of impact signals.Second,a data segmentation algorithm via sliding window is adopted to segment the impact signal with different impact amplitudes into multiple sub-signals with single impact component,which are used as the system input of stochastic resonance.And the genetic algorithm is employed to realize the adaptive selection of system parameters.Finally,the proposed method is applied to gearbox fault diagnosis of traveling unit of electric locomotive.The results show that this method can effectively extract the features of gear fault.【期刊名称】《计量学报》【年(卷),期】2017(038)005【总页数】5页(P602-606)【关键词】计量学;冲击特征提取;随机共振;滑动窗;修正峭度指标;齿轮箱故障诊断【作者】李继猛;张云刚;张金凤;谢平【作者单位】燕山大学电气工程学院,河北秦皇岛066004;燕山大学电气工程学院,河北秦皇岛066004;燕山大学里仁学院,河北秦皇岛066004;燕山大学电气工程学院,河北秦皇岛066004【正文语种】中文【中图分类】TB936Abstract: Aiming at the problem of impact signal detection under strong noise background, an adaptive stochastic resonance method for enhancement and extraction of gear weak impact Fault Signal is proposed. First, a new modified kurtosis index is constructed by using kurtosis index and correlation coefficient, which is applied as the measurement index of stochastic resonance for the detection of impact signals. Second, a data segmentation algorithm via sliding window is adopted to segment the impact signal with different impact amplitudes into multiple sub-signals with single impact component, which are used as the system input of stochastic resonance. And the genetic algorithm is employed to realize the adaptive selection of system parameters. Finally, the proposed method isapplied to gearbox fault diagnosis of traveling unit of electric locomotive. The results show that this method can effectively extract the features of gear fault.Key words: metrology; impact feature extraction; stochastic resonance; sliding window; modified kurtosis index; fault diagnosis of gearbox随机共振现象[1]是指在某些非线性系统中,逐渐添加噪声,微弱输入信号的系统响应输出信噪比不减反增,并在某一噪声强度下达到最优,如果继续增大噪声强度,系统响应输出信噪比开始由最大值逐渐减小,描述了噪声、信号和非线性系统之间的积极协作效应。
基于改进的自适应噪声消除和故障特征阶比谱的齿轮噪源干扰下变转速滚动轴承故障诊断
基于改进的自适应噪声消除和故障特征阶比谱的齿轮噪源干扰下变转速滚动轴承故障诊断王天杨;李建勇;程卫东【摘要】There are two main obstacles of rolling bearing diagnosis,they are variable rotational speed and gear vibration noise.Although they can be partly overcome with order tracking based on rotational speed information from a tachometer and ANC algorithm using a reference sensor,the rotational speed information and the reference signal are not easy to get in real engineering due to design or cost reasons.To solve this problem,a new algorithm with five main steps was proposed here.These steps were that (a)a revised ANC algorithm using a newly constructed reference signal based on instantaneous dominant meshing harmonics (IDMH)trend is used to weaken the interferences from gear vibration noise;(b )a fast algorithm of spectral kurtosis (SK)method is used to determine the central frequency,the filtering frequency band and the corresponding scale of the high-frequency resonances induced by bearing faults to get a filtering envelope reflecting bearing faults clearly;(c )the envelop time-frequency speetrum after two-filtering is gained and the instantaneous fault characteristic frequency (IFCF)is extracted using the peak-searching algorithm;(d)a new resampling algorithm based on sampling rate resetting is proposed and the filtered results of SK are resampled in fault order field;(e) the fault characteristic order (FCO)spectrum of the resampled signal is obtained using FFT,a new fault diagnosis strategy is proposed tojudge the operating states of a rolling bearing.The effectiveness of the proposed method was validated with both simulated and experimental faulty bearing vibration signals.%变转速工作模式和齿轮噪源干扰是阻碍滚动轴承故障诊断的两个难题。
- 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)。
Ｃ ｏ ｌ ｌ ｅ ｇ ｅ ｏ ｆ Ｍａ ｃ ｈ ｉ ｎ ｅ ｙ ｒ ａ ｎ ｄ Ａ ｕ ｔ ｏ ｍａ ｔ ｉ ｏ ｎ ， Ｗｕ ｈ ａ ｎ Ｕ ｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ｏ ｆ Ｓ ｃ ｉ ｅ ｎ ｃ ｅ ａ ｎ ｄ Ｔ ｅ ｃ ｈ ｎ ｏ ｌ ｏ ｇ ｙ ，Ｗｕ ｈ ａ ｎ ４ ３ ０ ０ ８ １ ，Ｃ ｈ ｉ ｎ ａ ）
ａ ｎ ａ ｌ ｙ ｓ ｉ ｓ（ Ｄ Ｆ Ａ） ，ｂ ｕ ｔ ｉ ｔ ｌ ｅ ａ ｄ ｓ ｅ ａ ｓ ｉ ｌ ｙ ｔ ｏ ｔ ｈ ｅ ｐ ｒ ｏ ｂ ｌ ｅ ｍ ｏ ｆ ａ ｌ ｉ ａ ｓ ｉ ｎ ｇ ａ ｍｏ ｎ ｇ ｇ ｅ ａ ｒ ｆ ａ ｉ ｌ ｕ ｒ ｅ ｍ ｏ ｄ ｅ ｓ ．Ａ ｃ ｃ ｏ ｒ ｄ ｉ ｎ ｇ ｔ ｏ ａ ｌ ｏ ｇ ａ ｉ ｒ ｔ ｈ ｍｉ ｃ ｓ ｃ ａ ｌ ｅ
ｗ ｉ ｔ ｈ ｔ ｈ ｅ ｎ ｅ ｕ ｒ ａ ｌ ｎ ｅ ｔ ｗ ｏ ｒ ｋ ａ ｌ ｇ ｏ ｉ ｒ ｔ ｈ ｍ． Ｔ ｈ ｅ ｒ ｅ ｓ ｕ ｌ ｔ ｓ ｓ ｈ ｏ ｗ ｔ ｈ ａ ｔ ｔ ｈ ｅ ｍｅ ｔ ｈ ｏ ｄ ｃ ａ ｎ ｉ ｍｐ ｒ ｏ ｖ ｅ ｔ ｈ ｅ ｅ ｘ ｔ ｒ ａ ｃ ｔ ｉ ｏ ｎ ａ ｃ ｃ ｕ ｒ ａ ｃ ｙ ａ ｎ ｄ ｅ ｘ ｔ ｒ ａ ｃ ｔ ｉ ｏ ｎ
Ａｂｓ ｔ ｒ ａｃ ｔ ： Ｓ ｃ ａ ｌ ｉ ｎｇ ｅ ｘ ｐ ｏ ｎ ｅ ｎ ｔ ｉ ｓ ｏ ｔｅ ｆ ｎ ｕ ｓ ｅ ｄ ａ ｓ ａ ｆ ｅ ａ ｔ ｕ ｒ ｅ ｍｅ ａ ｓ ｕ ｒ ｅ ｆ ｏ ｒ ｇ ｅ ａ ｒ ｆ ａ ｕｌ ｔ ｉ ｄ ｅ ｎ ｔ ｉ ｆ ｉ ｃ ａ ｔ ｉ ｏ ｎ ｉ ｎ ｄ ｅ ｔ ｒ ｅ ｎｄ ｅ ｄ ｌｕ ｆ ｃ ｔ ｕ ａ ｔ ｉ ｏ ｎ
摘 要 ：非趋势波动分析用于齿轮故障识别时常采用标度指数作为特征量， 该特征量容易导致齿轮故障模式问存
在混叠 。根据对数尺度波动函数图 ， 将标度 指数与表征信号强度 的截距组成齿轮振 动信 号的特征 向量 。根据齿轮振 动信 号 的双标度性 ， 提出滑动加窗算法 ， 实现标度指数 的 自适应 提取 ， 并结合神经 网络算 法进行故障分类 。设计单级齿轮 减速 器 的实验平 台， 并采集齿轮的径 向振动信号进行 自适应非趋势波动分析 ， 研究表 明， 该方法能够提高标度指数 的提取 精度
ｗ ａ ｖ ｅ ｆ ｕ ｎ ｃ ｔ ｉ ｏ ｎ ｄ ｉ ａ ｇ ｒ ａ ｍ，ｔ ｈ ｅ ｓ ｃ ａ ｌ ｉ ｎ ｇ ｅ ｘ ｐ ｏ ｎ ｅ ｎ ｔ ｓ ａ ｎ ｄ ｔ ｈ ｅ ｉ ｎ ｔ ｅ ｒ ｃ ｅ ｐ ｔ ｏ ｆ ｃ ｈ ａ ｒ ａ ｃ ｔ ｅ ｉ ｒ ｚ ａ ｔ ｉ ｏ ｎ ｏ ｆ ｓ ｉ ｇ ｎ ａ ｌ ｉ ｎ ｔ ｅ ｎ ｓ ｉ ｔ ｙ ｗ ｅ ｒ ｅ ｃ ｏ ｍｂ ｉ ｎ ｅ ｄ ｔ ｏ ｍａ ｋ ｅ ｕ ｐ ａ ｆ ｅ ａ ｔ ｕ ｒ ｅ ｖ ｅ ｃ ｔ ｏ ｒ ｏ ｆ ｇ ｅ ａ ｒ ｖ ｉ ｂ ｒ ａ ｔ ｉ ｏ ｎ ｓ ｉ ｇ ｎ ａ １ ．Ａｃ ｃ ｏ ｒ ｄ ｉ ｎ ｇ ｔ ｏ ｔ ｈ ｅ ｄ ｕ ａ ｌ ｓ ｃ ｌｉ ａ ｎ ｇ ｃ ｈ ａ ｒ ａ ｃ ｔ ｅ ｒ ｏ ｆ ｇ ｅ ａ ｒ ｖ ｉ ｂ ｒ ａ ｔ ｉ ｏ ｎ ｓ ｉ ｇ ｎ ａ ｌ ，ａ ｓ ｌ ｉ ｄ ｉ ｎ ｇ
Ａｄａ ｐ ｔ ｉ ｖ ｅ ｄ ｅ ｔ ｒ ｅ ｎ ｄｅ ｄ ｌｕ ｆ ｃ ｔ ｕａ ｔ ｉ ｏ ｎ ａ ｎ ａ ｌ ｙ ｓ ｉ ｓ ａ ｓ ａ ｆ ｅ ａ ｔ ｕｒ ｅ ｅ ｘ ｔ ｒ ａ ｃ ｔ ｉ ｏ ｎ ｍｅ ｔ ｈｏ ｄ ｆ ｏ ｒ ｇ ｅ ａ ｒ ’ Ｓ ｖ ｉ ｂｒ ａ ｔ ｉ ｏ ｎ ｓ ｉ ｇ ｎ ａ ｌ
一
ｈ ｅ ｎ ｇ，ＸＩ ＡＯ Ｈａ ｎ
（ Ｔ ｈ ｅ Ｍｉ ｎ ｉ ｓ ｔ ｒ ｙ ｏ ｆ Ｅ ｄ ｕ ｃ ａ ｔ ｉ ｏ ｎ Ｋ ｅ ｙ Ｌ ａ ｂ ｏ ｒ ａ ｔ ｏ ｒ ｙ ｏ ｆ Ｍｅ ｔ ａ ｌ ｌ ｕ ｒ ｇ ｉ ｃ ａ ｌ Ｅ ｑ ｕ ｉ ｐ ｍ ｅ ｎ ｔ ａ ｎ ｄ Ｉ ｔ ｓ Ｃ ｏ ｎ ｔ ｒ ｏ ｌ ，
和提 ； 聚类 ； 神经网络
中 图分 类号 ：Ｔ Ｈ１ ３ ３ 文 献 标 志 码 ：Ａ Ｄ Ｏ Ｉ ： １ ０ ． １ ３ ４ ６ ５ ／ ｊ ． ｃ ｎ ｋ ｉ ． ｊ ｖ ｓ ． ２ ０ １ ５ ． ０ ９ ． ０ ２ ８
ｗ ｉ ｎ ｄ ｏ ｗ ｉ ｎ ｇ ｌ ａ ｇ ｏ ｒ ｉ ｔ ｈ ｍ ｗ ａ ｓ ｐ ｒ ｏ ｊ ｅ ｃ ｔ ｅ ｄ ｔ ｏ ｅ ｘ ｔ ｒ ａ ｃ ｔ ａ ｄ ａ ｐ ｔ ｉ ｖ ｅ ｌ ｙ ｔ ｈ ｅ ｓ ｃ ｌｉ ａ ｎ ｇ ｅ ｘ ｐ ｏ ｎ ｅ ｎ ｔ ， ａ ｎ ｄ ｕ ｓ ｅ ｄ ｏｒ ｆ ｆ ａ ｕ ｌ ｔ ｃ ｌ ａ ｓ ｓ ｉ ｉ ｆ ｃ ａ ｔ ｉ ｏ ｎ ｃ ｏ ｍ ｂ ｉ ｎ ｉ ｎ ｇ
振 第３ ４卷第 ９期
动
与
冲
击
Ｊ ＯＵＲＮＡＬ ＯＦ ＶＩ ＢＲＡＴＩ ＯＮ ＡＮＤ Ｓ ＨＯＣＫ
基 于 自适 应 非 趋 势 波 动 分 析 的 齿 轮 振 动 信 号 特 征 提 取
吴永恒 ，肖 涵
（ 武汉科技大学 机 械 自动化 学院 冶金装备及其控制教 育部重点实验室 ， 武汉 ４ ３ ０ ０ ８ １ ）