检索结果-内蒙古大学图书馆

机械工程学报 2025年第2期61卷 11-23页

作者：赵学智叶邦彦刘其洪陈统坚华南理工大学机械与汽车工程学院广州510640

柔性薄壁椭圆轴承是谐波减速器的关键部件,其内、外圈的椭圆特性使得定转速下其故障特征频率不是一个定值,而是存在周期性波动,这种特性与普通滚动轴承完全不同。柔性薄壁椭圆轴承的椭圆特性还会引起背景周期性冲击,对故障周期性冲击产... 详细信息

柔性薄壁椭圆轴承是谐波减速器的关键部件,其内、外圈的椭圆特性使得定转速下其故障特征频率不是一个定值,而是存在周期性波动,这种特性与普通滚动轴承完全不同。柔性薄壁椭圆轴承的椭圆特性还会引起背景周期性冲击,对故障周期性冲击产生极大的掩盖。利用Morlet小波与故障周期性冲击的波形相似性特性从柔性薄壁椭圆轴承混合冲击信号中提取故障周期性冲击,分析了连续Morlet小波对故障周期性冲击的特征提取机理,从理论上证明了Morlet小波对与其波形相似的故障冲击可以获得最佳的提取效果,而椭圆引起的背景冲击则会被极大抑制。利用Hilbert-Huang变换提取故障冲击的瞬时频率。对于内圈故障和外圈故障的柔性薄壁椭圆轴承,从它们的振动信号中准确提取到了故障频率的波动特性,证明了柔性薄壁椭圆轴承的故障特征频率在定转速下确实存在有规律的周期性波动,且其波动的频率是凸轮轴转频的二倍。对比分析了普通滚动轴承故障特征的瞬时频率,结果表明其不存在周期性波动。故障频率的周期性波动是柔性薄壁椭圆轴承的特有性质。

关键词：柔性薄壁椭圆轴承故障特征频率频率波动瞬时频率

来源：评论

学校读者我要写书评

暂无评论

柔性薄壁椭圆轴承的运动学特性及故障诊断研究

柔性薄壁椭圆轴承的运动学特性及故障诊断研究

引用

作者：郭莹莹华南理工大学

学位级别：博士

柔性薄壁椭圆轴承(Flexible thin-wall elliptical bearing,FTEB)是谐波减速器中波发生器的核心零部件,特殊的椭圆结构使其在工作中长期承受循环交变应力载荷,极易发生故障。由于运动特性的不同,普通滚动轴承的故障特征频率理论不适用于... 详细信息

柔性薄壁椭圆轴承(Flexible thin-wall elliptical bearing,FTEB)是谐波减速器中波发生器的核心零部件,特殊的椭圆结构使其在工作中长期承受循环交变应力载荷,极易发生故障。由于运动特性的不同,普通滚动轴承的故障特征频率理论不适用于FTEB,而且FTEB的微弱故障特征在强背景噪声下会被掩盖。因此本文在FTEB的运动学特性分析基础上,研究其微弱故障特征提取及诊断方法。具体的研究内容和结果如下:(1)建立FTEB运动学特性关联的故障特征频率模型,分析FTEB滚珠中心相对于节椭圆和保持架的运动轨迹及其相对于内外圈的运动规律。发现滚珠中心的运动轨迹与节椭圆并不重合,滚珠与保持架的相对运动轨迹并非椭圆而是一个四角平滑的菱形。而且滚珠与内外圈滚道的接触点处有径向速度和加速度,其随时间变化的频率为椭圆轴转频的二倍频,使FTEB在正常运行中也产生径向振动。普通滚动轴承的故障特征频率计算公式仅是FTEB故障特征频率模型的一个特例。FTEB故障特征频率会随时间变化,其理论值在均值的0.1-0.2%范围内波动,与实际值的误差小于1%。(2)通过提取FTEB正常和故障振动实验信号特征,建立FTEB故障振动响应信号模型并在不同信噪比下对其进行仿真分析。正常状态下,FTEB的振动响应信号主要是以椭圆轴转频的二倍频及其高次倍频为主要频率成分的周期性椭圆旋转激励信号。冲击型缺陷故障状态下,FTEB的外圈故障冲击信号会被以椭圆轴转频的二倍频为周期的幅值调制信号调制,而内圈故障冲击信号会被以轴转频为周期的幅值调制信号调制。连续Morlet小波变换与Hilbert包络谱分析结合(continuous Morlet wavelet transform combined with Hilbert spectrum analysis,CMWT-H)、CMWT-H与奇异值峭度相对变化率(singular values kurtosis,SVK)结合(CMSVK-H)的方法能提取出FTEB的故障特征频率及其倍频,但提取效果会受背景噪声干扰,当信噪比为0 d B时已无法准确提取FTEB的故障特征。(3)在分析FTEB的椭圆旋转运动特性和振动响应特征的基础上,研究基于稀疏分解的FTEB微弱故障特征提取方法。选取合适的局部余弦字典和小波字典构建冗余字典,并利用拉格朗日基追踪算法求解出稀疏分解系数,将信号中的椭圆旋转激励成分、周期性故障冲击成分与噪声分离,进而对分离的周期性故障冲击信号成分进行时域及包络谱分析,可准确提取出FTEB单点和多点缺陷故障信号中的微弱故障特征。(4)构建表征FTEB信号样本的特征集,研究基于稀疏分解与稀疏自编码(Sparse Auto Encoder,SAE)神经网络模型的FTEB微弱故障诊断方法。在缺陷宽度为1 mm和0.05 mm的FTEB正常和故障状态分类中,与CMWT-H相比,通过稀疏分解预处理后的数据训练SAE模型,可提高FTEB故障诊断准确率约10%,其中采用无量纲的峭度、峰值因子和构造的频谱峰值指标三种特征构建训练集,获得的故障诊断准确率更高,可达到99%以上。

关键词：柔性薄壁椭圆轴承运动学特性特征频率稀疏分解微弱故障诊断

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：