导读:本文包含了倒频谱分析论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:频谱,齿轮,故障诊断,故障,齿轮箱,连贯,小波。
倒频谱分析论文文献综述
江志农,张永申,冯坤,胡明辉,贺雅[1]（2019）在《基于特征增强倒频谱分析的齿轮故障诊断方法》一文中研究指出齿轮发生故障后,由于采集到的振动信号同时包含故障冲击、确定性啮合信号及噪声等多种信号,同时,各种信号还会受传递路径的影响,使得齿轮故障特征提取难度较大。倒频谱分析是常见的齿轮故障诊断方法,能将边频带中的周期成分显示为单根谱线,有助于故障诊断,但当故障特征信号较微弱时,倒频谱中得到的故障特征并不明显。为此,提出一种特征增强倒频谱分析方法,利用最小熵解卷积、自回归线性预测和小波去噪3种特征增强方法,逐步增强齿轮振动信号中的故障冲击特征,再利用倒频谱进行故障特征提取。通过实验,验证了所提方法的有效性。(本文来源于《机械传动》期刊2019年10期）
胡艳敏[2]（2019）在《基于倒频谱分析的深沟球轴承故障诊断》一文中研究指出为解决滚动轴承运转过程中故障频率的获取问题,提出基于倒频谱分析对采集的轴承各部件数据进行故障诊断。本文选择美国凯斯西储大学官网的轴承型号为6203-2RS JEM SKF的数据进行实例分析,利用滚动轴承故障频率计算公式得到理论故障频率,通过编写matlab程序做出原信号时域图分析数据特点,使用离散快速傅里叶变换得到频域图观察频域范围内特征,考虑到倒频谱可以清楚地分离功率谱中含有的周期分量以及分离边带信号和谐波,基于倒频谱识别故障部位的故障频率。仿真结果表明:利用倒频谱分析可以准确的找出滚动体各部件故障频率,且能很好的吻合滚动轴承理论故障频率。(本文来源于《内燃机与配件》期刊2019年10期）
李红,孙冬梅,沈玉成[3]（2018）在《EEMD降噪与倒频谱分析在风电轴承故障诊断中的应用》一文中研究指出针对风电轴承故障时的振动信号为低频信号,并且出现不平稳、非线性等特点,一般很难检验出来,所以提出了一种新的轴承故障诊断方法:首先提出了基于相关系数与峭度相结合的EEMD降噪方法,对轴承振动加速度信号进行去噪,然后对降噪后的信号再次进行EEMD分解并与倒频谱相结合,对振动信号进行处理。此方案不仅提高了振动信号的信噪比,而且抑制了在经验模态分解中的模式混迭现象,提高了故障诊断的准确性,充分显示了其应用在风电轴承故障诊断系统中的可行性。(本文来源于《机床与液压》期刊2018年13期）
伍柯霖,初宁,宋永兴,吴大转[4]（2017）在《基于倒频谱分析的旋转机械调制频率提取方法》一文中研究指出在简要分析旋转机械转子频率对叶片频率调制的振动机理的基础上,针对传统的倒频谱分析难以提取微弱故障特征频率、对于低信噪比实际信号提取识别能力不够、以及倒频谱分析结果不够简单直观等缺陷,本文提出用一种改进的倒频谱方法,基于工程应用型的倒频谱分析技术进行改进,对旋转机械的振动信号加以处理,主要针对于工业生产中各类大小风机进行调制频率的有效提取。对于仿真信号和实际风机数据的处理结果验证了该方法能够有效地识别调制频率,为旋转机械的状态监测和故障检测提供有用信息。(本文来源于《第十二届全国振动理论及应用学术会议论文集》期刊2017-10-20）
张西宁,李兵,雷威[5]（2016）在《一种改进的局部倒频谱分析方法》一文中研究指出针对倒频谱分析难以实现从低信噪比信号中检测故障的问题,在对局部倒频谱分析的基础上,提出了一种改进的局部倒频谱分析方法,并给出了改进局部倒频谱分析的原理和算法。该方法通过在时域引入相关消噪处理,降低时域原始信号中的非周期性分量的干扰,在频域引入相关消噪处理,降低频谱上非周期性谱峰影响,实现了频谱上周期性故障特征向零频率附近的聚集。改进的局部倒频谱分析方法解决了局部倒频谱方法存在的计算频带难以选择的问题,同时消除了对故障频域内周期性特征局部化分布的限制,扩展了应用范围。将该方法用于仿真信号以及故障齿轮实验测试信号的分析,结果表明,与传统倒频谱和局部倒频谱方法相比,提出的改进局部倒频谱分析方法具有强的抗噪能力,实验中较传统倒频谱和局部倒频谱方法分别多提供了8.05bit和1.11bit的诊断信息。该方法可用于实现从低信噪比信号中检测故障。(本文来源于《西安交通大学学报》期刊2016年08期）
余明强,周莉,徐新林,潘晗,庄佩耘[6]（2016）在《声带息肉患者持续元音及连贯言语声的倒频谱声学分析》一文中研究指出目的探讨倒频谱声学分析法与连贯言语声学信号用于鉴别病理性声信号的价值。方法分别采集26例成人声带息肉患者(息肉组,男10例,女16例)及27例正常嗓音者(正常组,男13例,女14例)持续元音和连贯言语声信号,采用MDVP(multi dimensional voice program)软件分析各组持续元音频率微扰(jitter)和振幅微扰(shimmer),采用ADSV(analysis of dysphonia in speech and voice)软件分析各组持续元音和连贯言语的倒频谱参数:倒频谱峰值突出(cepstral peak prominence,CPP)、低高频谱能量比(the mean ratio of singnal energy below 4000Hz to the energy above 4 000Hz,L/HSR)、CPP的标准差(STD CPP)、L/HSR的标准差(STD L/HSR)及发音障碍倒频谱指数(the cepstral/spectral index of dysphonia,CSID),分析扰动参数和倒频谱参数对鉴别病理声学信号的敏感性。结果正常组持续元音的jitter和shimmer值均小于声带息肉组(P<0.05);除STD L/HSR外,正常组持续元音的倒频谱参数值均高于息肉组(P<0.05);连贯言语的倒频谱参数中,男性声带息肉组的CPP、L/HSR均低于男性正常组(P<0.05),女性声带息肉组CPP值明显低于女性正常组(P<0.05)。男女性持续元音声信号的倒频谱参数CPP和CSID在ROC曲线下的面积与参考值0.5相比,差异有统计学意义(P<0.05);男性连贯言语声的CPP及L/HSR、女性CPP ROC曲线下的面积与参考值0.5的差异有统计学意义(P<0.05)。结论连贯言语声和持续元音的扰动参数和倒频谱参数均可用于区别正常与声带息肉患者的噪音声学信号,倒频谱参数CPP对区别正常和声带息肉患者嗓音信号有较好的特异度和灵敏度。(本文来源于《听力学及言语疾病杂志》期刊2016年01期）
罗毅,甄立敬[7]（2015）在《基于小波包与倒频谱分析的风电机组齿轮箱齿轮裂纹诊断方法》一文中研究指出为实现风电机组齿轮箱及时有效地监测和维护,提出基于小波包与倒频谱分析的风电机组齿轮箱齿轮裂纹诊断方法。该方法针对齿轮裂纹振动信号为转速频率对啮合频率及其倍频调制的特点,利用小波包分解来识别振动信号中的故障特征,通过小波包频带能量监测得到故障部位的啮合频率范围;考虑到倒频谱可以分离和提取难以识别的密集调制信号的周期成分,基于倒频谱识别故障部位的转速频率,综合利用两种频谱分析方法得到的啮合频率和转速频率,能诊断故障部位和类型。实验研究表明,该方法能精确地诊断齿轮裂纹故障,并可以实现对风电机组齿轮在复杂环境中退化状态的监测,预防断齿等重大故障的发生。(本文来源于《振动与冲击》期刊2015年03期）
陈果,于明月,刘永泉,姜广义,李成刚[8]（2014）在《基于倒频谱分析的航空发动机转静碰摩部位识别》一文中研究指出提出基于倒频谱分析的航空发动机碰摩部位识别方法,利用倒频谱分析方法,从机匣振动加速度信号中分离出传递路径特征,该特征反映从碰摩点到机匣测点的传递路径信息,因此,不同的碰摩部位将具有不同的传递特征信息,并以此提取出20个碰摩部位识别特征。利用航空发动机转子试验器模拟大量不同部位的碰摩试验,对不同碰摩部位的试验样本进行特征分析,表明相同碰摩部位的特征一致性,以及不同碰摩部位的特征差异性,利用最近邻分类方法,进行碰摩部位识别,识别率达到100%,充分验证了方法的有效性。(本文来源于《机械工程学报》期刊2014年07期）
冯天毅,崔杰,王斌,张大彪[9]（2013）在《倒频谱分析在高速线材精轧传动箱故障诊断中的应用》一文中研究指出倒频谱分析是故障诊断的一种有效手段,常用于从复杂的信号中提取周期信号。简要介绍了倒频谱的分析原理及特点,通过对现场工况的分析,运用时域、频域分析方法对高线精轧传动箱轴承故障进行诊断,并采用倒频谱方法从复杂谱线中提取出周期信号,对轴承故障做出判断,分析诊断结果与实际结果一致,验证倒频谱分析可提高轴承故障的准确性。(本文来源于《冶金设备》期刊2013年05期）
吕跃刚,赵倩男,刘俊承[10]（2013）在《基于LabVIEW的倒频谱与包络谱分析在风电机组齿轮箱故障诊断中的应用》一文中研究指出风力发电机组的齿轮箱许多故障信息以调制形式存在于振动信号之中,在此利用LabVIEW强大的信号分析功能对齿轮箱振动信号进行分析,开发出基于倒频谱与包络谱分析的齿轮箱故障诊断系统。试验结果表明:倒频谱与包络谱分析可以有效诊断出齿轮箱的故障信息。(本文来源于《化工自动化及仪表》期刊2013年07期）
倒频谱分析论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
为解决滚动轴承运转过程中故障频率的获取问题,提出基于倒频谱分析对采集的轴承各部件数据进行故障诊断。本文选择美国凯斯西储大学官网的轴承型号为6203-2RS JEM SKF的数据进行实例分析,利用滚动轴承故障频率计算公式得到理论故障频率,通过编写matlab程序做出原信号时域图分析数据特点,使用离散快速傅里叶变换得到频域图观察频域范围内特征,考虑到倒频谱可以清楚地分离功率谱中含有的周期分量以及分离边带信号和谐波,基于倒频谱识别故障部位的故障频率。仿真结果表明:利用倒频谱分析可以准确的找出滚动体各部件故障频率,且能很好的吻合滚动轴承理论故障频率。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
倒频谱分析论文参考文献
[1].江志农,张永申,冯坤,胡明辉,贺雅.基于特征增强倒频谱分析的齿轮故障诊断方法[J].机械传动.2019
[2].胡艳敏.基于倒频谱分析的深沟球轴承故障诊断[J].内燃机与配件.2019
[3].李红,孙冬梅,沈玉成.EEMD降噪与倒频谱分析在风电轴承故障诊断中的应用[J].机床与液压.2018
[4].伍柯霖,初宁,宋永兴,吴大转.基于倒频谱分析的旋转机械调制频率提取方法[C].第十二届全国振动理论及应用学术会议论文集.2017
[5].张西宁,李兵,雷威.一种改进的局部倒频谱分析方法[J].西安交通大学学报.2016
[6].余明强,周莉,徐新林,潘晗,庄佩耘.声带息肉患者持续元音及连贯言语声的倒频谱声学分析[J].听力学及言语疾病杂志.2016
[7].罗毅,甄立敬.基于小波包与倒频谱分析的风电机组齿轮箱齿轮裂纹诊断方法[J].振动与冲击.2015
[8].陈果,于明月,刘永泉,姜广义,李成刚.基于倒频谱分析的航空发动机转静碰摩部位识别[J].机械工程学报.2014
[9].冯天毅,崔杰,王斌,张大彪.倒频谱分析在高速线材精轧传动箱故障诊断中的应用[J].冶金设备.2013
[10].吕跃刚,赵倩男,刘俊承.基于LabVIEW的倒频谱与包络谱分析在风电机组齿轮箱故障诊断中的应用[J].化工自动化及仪表.2013
论文知识图
