齒輪箱工作中受外部環(huán)境干擾時(shí)，其故障特征易被噪聲淹沒。因此對(duì)故障信號(hào)進(jìn)行特征提取是齒輪箱故障診斷的重點(diǎn)和難點(diǎn)。本書從三個(gè)方面來闡述故障特征的處理方法。在降噪算法上，通過對(duì)原有方法的自適應(yīng)改進(jìn)，分別提出自適應(yīng)基于短時(shí)傅里葉變換的維納濾波器(AWT-STFT)方法、自適應(yīng)ARMA最優(yōu)最小反褶積(ARMA-MOMEDA)方法及自適應(yīng)奇異譜分解(SSD)方法。針對(duì)時(shí)頻分析技術(shù)中存在模態(tài)混疊的問題，優(yōu)化奇異譜分解方法，提出基于多目標(biāo)粒子群優(yōu)化算法的自適應(yīng)變分模態(tài)分解(VMD)方法、基于自適應(yīng)混沌灰狼算法和SGMLoG算法。在智能故障診斷方面，提出基于復(fù)合多尺度極差熵的軸承故障特征提取方法及基于多局部均值的零階自主學(xué)習(xí)多模型分類器(MLMALMMo-0)的滾動(dòng)軸承故障識(shí)別方法。最后，基于自適應(yīng)稀疏譜分解變分模態(tài)分解(ASSD-VMD)方法對(duì)滾動(dòng)軸承的早期故障、基于自適應(yīng)濾波短時(shí)傅里葉變換(AWF-STFT)與自適應(yīng)奇異譜分解方法(SSD)對(duì)齒輪箱故障進(jìn)行故障診斷的案例分析。

更多科學(xué)出版社服務(wù)，請(qǐng)掃碼獲取。