针对故障齿轮振动信号的非平稳和调制特性,提出了基于双树复小波包变换和谱峭度的齿轮故障诊断方法. 首先,利用双树复小波包变换将原始振动信号分解为若干个不同频带的信号分量,选择与原始信号相关系数大的分量进行阈值降噪并重构;然后,对降噪后的信号利用谱峭度所得的峭度图选择最佳的带宽和频带中心进行相应的带通滤波处理;最后,将带通滤波后的信号作平方包络和傅里叶变换,即可得到信号的包络解调谱,从而提取故障特征信息. 通过对试验和工程实际的齿轮故障信号分析表明:双树复小波包变换和谱峭度结合的方法可有效地提取齿轮故障特征信

dataset_齿轮_齿轮故障数据_齿轮故障_东南大学齿轮_东南大学数据

在对基于最大重叠离散小波包变换（Maximal overlap discrete wavelet packet transform，简称MODWPT）的Hilbert谱方法进行介绍的基础上，将基于MODWPT的Hilbert谱应用于齿轮故障诊断当中。采用MOWDWPT可将多分量的复杂信号分解为若干个瞬时频率和瞬时幅值具有经典物理意义的单分量之和，然后求出各个单分量信号的瞬时频率和瞬时幅值，再进行组合便可以得到原始复杂信号完整的时频分布。对具有裂纹和断齿的齿轮故障振动信号的分析结果表明，基于MODWPT的H

计算信号的峭度，寻找共振频带，并对共振频带进行滤波后包络解调，适合于轴承、齿轮等故障诊断的信号处理中。

VMD程序，用于轴承、齿轮等振动信号的分解、降噪和重构，实现故障诊断

对简单的二级减速齿轮箱齿轮故障的振动信号进行仿真，便于理论分析。

轴承故障数据，齿轮故障数据，转子故障数据

行业分类-电信-一种基于信号多特征匹配的齿轮故障诊断方法.rar

针对齿轮实测信号因受噪声干扰而不能准确反映故障特征的问题，提出将自适应局部迭代滤波应用到齿轮故障识别中，与样本熵、灰色关联度相结合实现齿轮的故障识别。利用自适应局部迭代滤波将齿轮非平稳信号分解为有限个平稳的本质模态函数，通过计算各本质模态函数的样本熵，发现以齿轮系统的转频信号对应的本质模态函数的样本熵为界，前几个本质模态函数的样本熵能表征不同故障类型的特征；计算齿轮系统正常、齿面轻度磨损、齿面中度磨损和断齿4种工况下多个训练样本的样本熵的平均值，将其作为对应工况标准故障模式的参考值；计算待检测样本的样本熵与各状态下训练样本的样本熵平均值之间的灰色关联度，与待识别样本灰色关联度最大的标准故障模式即被认为是待识别样本的故障类型。实例分析结果表明，通过自适应迭代滤波能有效抑制模态混叠现象，发现明显的齿轮转频信号，而采用集合经验模式分解（EEMD）方法进行信号分解后，模态混叠现象比较明显，且在EEMD的分解结果中基本看不出齿轮的转频分量；4种工况的样本熵曲线形状存在明显差异，说明样本熵能有效表征齿轮故障特征的变化；灰色关联度方法能有效地将4种不同的故障类型进行分类识别，分类识别性能优于BP神经

齿轮故障数据的建模因为数据复杂有一定的挑战性。提出将选择性集成学习技术引入到该领域,并将聚类算法用于选择性神经网络集成学习技术。对已有的选择性集成学习技术进行改进,构建了一个基于聚类的选择性神经网络。应用实际数据进行实验,结果表明新算法提高了对齿轮故障诊断的精度,同时诊断效率比基于遗传算法的选择性神经网络集成算法有了显著提高。