车辆变速箱旋转机械故障判定研究

发布时间：2020-05-16 00:06

【摘要】：研究变速箱问题对于高强度扰乱等特殊状况下的信号的收集,消噪,选择特征向量,故障判定有很大的作用。针对经验模态分解(Empirical Mode Decomposition,EMD)在分解运用的过程中会产生的端点效应现象,运用信号的偶延拓方法与余弦窗函数方法就可以处理这种问题。这样就第一步先对信号进行偶延拓处理,第二步由于进行了偶延拓之后还有误差存在,所以再对信号添加一个余弦窗,这样就可以把这个误差控制在两端,这样就不会让误差再扩大,减小端点效应对分解正确率的影响。最后通过实验有效验证,这种方式可以有效的减小端点效应的影响,提高故障判定的正确率。提出希尔伯特(Hilbert)变换和自回归模型(AR)搭配组合(Hilbert-AR方法)的故障特征的选择方式。该方式先用EMD方法将振动信号分解成很多个固有模态函数(IMF),然后再对所有的IMF进行Hilbert变换方法后得到瞬时频率(IF),建立一个AR模型,选择它的系数和残差的方差的矩阵奇异值作为特征向量,最终实验结果验证表明该方式提取特征精度高,效果比较好。
【图文】：

图 3-1 EMD 分解示意图Figure 3-1 EMD decomposition diagram4）信号 x t和 m t的差值为第一个分量， ht1为： xtmtht1 果 ht1是一个 IMF，那么 ht1就是第一个 IMF 分量。5）如果 ht1的 IMF 条件不满足，原始数据就是 ht1，同时再次环至 ht1为一个 IMF，记为： ctht11 6）把 ct1从 x t分离出来，从 x t中除掉内禀模态分量 ct1得到第列 rt1：这时候我们可以得到： rtxtct11 rt再看作原数据运用上面的方法获得信号 x t的第 2 个 IMF 就是

先是 EMD 方式采用“筛选”途径将各个 IMF 分量分离出来，在于三次样条函数在数据两端发生失真情况，，这种失真情况随着时向中间延伸，最后使整个数据序列都产生非常严重的失真，这样结果。其次，在对 IMF 分量进行 Hilbert 方法处理时，信号也会问题。针对比较长的数据来说，可以通过不断的舍弃两头的数据题的危害程度，但是，如果是一个比较短的数据的话，这种方法 EMD 方式是整个 Hilbert 方法的核心步骤，端点效应在 EMD 方而易见的。端点效应的原理及影响于是在组织包围环绕线的时候 EMD 方式产生了端点效应问题，因运用极值作为三次样条获得的,但是极值一般并不存在于信号的数据的两端曲线会发生失真，最终导致整个结果出错。域波形如图 3-3 所示，表明在数据序列上极大极小值分别各有 1
【学位授予单位】：北京工业大学
【学位级别】：硕士
【学位授予年份】：2017
【分类号】：E923.1

【相似文献】

相关期刊论文 前1条

1 ;离合器、变速箱出现异响的原因和排除方法[J];农村牧区机械化;2014年02期

相关硕士学位论文 前4条

1 薛会元;车辆变速箱旋转机械故障判定研究[D];北京工业大学;2017年

2 杨宇;装甲车辆变速箱振动噪声研究[D];北京理工大学;2016年

3 陶阳;基于振动信号的变速箱状态分析[D];重庆理工大学;2017年

4 吴培;机械式变速箱换挡清晰度和二次冲击的评价与改善[D];燕山大学;2017年

本文编号：2665830