机械设计或文档或dwg文件CAD-油电混合动力汽车行星齿轮箱设计.zip

对基于EMD-AR模型的齿轮箱故障诊断进行了研究。对齿轮箱故障振动信号采用EMD方法进行分解,得到有限个平稳的IMF(本征模式函数),对其建立AR模型,将建立的每个AR模型残差的方差和自回归参数建立Mahalanobis距离判别函数,最后进行模式特征综合,确定齿轮箱的工作状态以及故障类型。研究表明,采用EMD-AR模型进行齿轮箱故障诊断是可行有效的,提高了齿轮箱故障检测的准确性。

对齿轮箱故障诊断特点和方法进行分析,举例介绍了小波变换在齿轮箱故障诊断中的应用。利用小波变换对齿轮箱工况信号进行分解,重构以及提取细节信号包络谱,快速准确判断出齿轮箱设备运行状态是否异常,并利用BP神经网络进行故障诊断定位,比传统方法更有效。

目录 1 1 电动机的选择 3 1.1 选择电动机的转速 3 1.1.1 计算传动滚筒的转速 3 1.1.2 计算总传动比范围 3 1.1.3 确定电动机的转速 3 1.2 所需电动机的输出功率 3 1.2.1 工作机的功率 4 1.2.2 传动装置的总效率 4 1.2.3 所需电动机的输出功率 4 1.3 选择电动机的型号 4 2 传动装置的运动和动力参数计算 5 2.1 分配传动比 5 2.1.1 总传动比 6 2.1.2 各级传动比的分配 6 2.2 各轴功率、转速和转矩的计算 6 2.2.1 各轴理论转速 6 2.2.2 各轴的输入功率 7 2.2.3 各轴的

针对齿轮箱振动信号的非平稳特性和在现实条件下难以获得大量故障样本的实际情况,提出一种经验模态分解和支持向量机相结合的故障诊断方法。运用经验模态分解方法对齿轮箱故障的振动信号进行分析,进行EEMD分解得到相对平稳的本征模态IMF,并计算每个IMF的能量熵,将其作为支持向量机的输入特征向量以判断齿轮箱的工作状态和故障类型。

风电齿轮箱轴承应用分析探讨pdf,风电齿轮箱轴承应用分析探讨

本文研究旋转机械非稳态信号的分析方法。对等时间间隔采样的齿轮箱振动信号，利用插值算法实现角城重采样。为了抑制与工频无关的噪声信号以提高信噪比，对重采样信号进行了角城平均。将倒频分析引入阶次分析中，以检测出功率谱中难以辨识的周期性。以上方法成功地识剐了齿根裂纹故障，说明了对旋转机械非稳态信号进行角域平均和倒阶次谱分析的可行性和有效性。

提出了一种基于数字信号处理器(DSP)和支持向量机(SVM)的风电齿轮箱故障诊断的方法。分解和提取了Libsvm代码移植于DSP芯片TMS320F28335,实现了支持向量机并应用于风电齿轮箱故障诊断。该方法较好地解决了小样本学习问题,同时又具有低功耗、低成本、通用性强和可实时控制的优点。实验结果表明,在保证较高预测正确率、运行速度较快和较大数据量读取前提下,Libsvm能够正确运行于芯片,有效应用于齿轮箱故障诊断。

支持向量机(Support Vector Machine 简称SVM)是Cortes和Vapnik于1995年首先提出的，它在解决小样本、非线性及高维模式识别中表现出许多特有的优势，并能够推广应用到函数拟合等其他机器学习问题中。

基于LABVIEW的虚拟仪器平台建立数据采集系统，实现了对齿轮进行全生命周期实验过程中采集到大量振动信号数据，提出使用时域分析法(时域同步平均)与频域分析法(功率谱)相结合的信号处理方法对振动信号数据按齿轮可能出现的各种运行状态加以分类，从而有霞点的应用倒频谱法对已经出现故障的齿轮箱振动信号进行分析，倒频谱的边频带频谱识别能力有助于研究啮合频率及边频特征，进而准确诊断出齿轮故障性质，并定位出故障齿轮。