基于自适应AR谱与神经网络的车变速器轴承故障诊断

提出了基于自适应AR谱和神经网络的汽车变速器轴承故障诊断方法.该方法采用自适应滤波将轴承振动信号进行滤波,建立AR模型,从而提取出故障轴承的特征,再利用BP神经网络进行故障分类.试验证明该方法适用于汽车变速器轴承的故障诊断.     

基于复调制细化包络谱和SVM的变速器齿轮故障诊断研究EI北大核心CSCD

针对变速器故障齿轮振动信号特征和在现实条件下难以获得大量故障样本的实际情况,提出一种复调制细化包络谱和支持向量机相结合的故障诊断方法。通过变速器齿轮故障模拟试验模拟齿轮磨损故障,采用Hilbert变换对齿轮振动信号进行解调得到振动信号的包络,对包络信号进行复调制细化谱分析,提取齿轮轴转频基波及其谐波幅值。分析发现基波及其谐波幅值随着齿轮磨损程度的增加明显增大,故将其作为支持向量机的输入特征向量,以判断齿轮故障。试验结果表明:该方法在小样本的情况下能有效地诊断齿轮故障。     

基于复调制细化包络谱和SVM的变速器齿轮故障诊断研究

针对变速器故障齿轮振动信号特征和在现实条件下难以获得大量故障样本的实际情况,提出一种复调制细化包络谱和支持向量机相结合的故障诊断方法。通过变速器齿轮故障模拟试验模拟齿轮磨损故障,采用Hilbert变换对齿轮振动信号进行解调得到振动信号的包络,对包络信号进行复调制细化谱分析,提取齿轮轴转频基波及其谐波幅值。分析发现基波及其谐波幅值随着齿轮磨损程度的增加明显增大,故将其作为支持向量机的输入特征向量,以判断齿轮故障。试验结果表明:该方法在小样本的情况下能有效地诊断齿轮故障。     

EMD和AR模型在汽车变速器轴承故障诊断中的应用

针对汽车变速器轴承振动信号的非平稳特征，提出了一种基于经验模态分解(Empirical Mode Decomposition，简称EMD)和自回归(Auto Regressing，简称AR)模型的滚动轴承故障诊断方法。实验结果表明，此方法可以准确、有效地识别变速器轴承的工作状态和故障类别。     

小波包能量特征法在汽车变速器轴承故障诊断中的应用

归纳和总结了小波神经网络轴承故障诊断法的实施步骤,阐述了小波包的原理,并以变速器轴承故障诊断为例,提取了小波包节点能量作为反映变速器轴承故障类型的振动信号特征参数,并用这些特征参数训练BP神经网络进行故障模式识别。结果表明,如果神经网络设计合理,训练适当,则具有很强的故障识别能力。说明了利用小波包能量法和BP神经网络进行变速器轴承故障诊断是可行而且有效的。     

基于振动监测技术的变速器轴承故障诊断研究

某轻型汽车变速器在试验时轴承发生严重损坏,轴承保持架碎裂,内滚道出现间隔均匀的滚珠压痕,滚子严重点蚀。本文以该变速器一轴用轴承为研究对象,利用振动监测技术对该轴承损坏的机理进行分析研究,准确诊断出故障变速器轴承损坏的机理并提出应对措施,措施实施后变速器轴承运行良好。本文对变速器用轴承选型以及轴承故障诊断提供理论和方法指导。     

基于EMD和Gabor变换的发动机曲轴轴承故障特征提取

针对发动机振动信号的非平稳特点,提出了一种基于经验模态分解(EMD)和Gabor变换相结合的曲轴轴承故障特征提取新方法。通过EMD方法将发动机非稳态加速振动信号分解成多个本征模态函数(IMF),对与原信号相关性强的前4阶IMF分量进行Gabor变换,从各阶分量Gabor时频分布图的频带能量累加曲线中提取能够反映曲轴轴承磨损故障的频带能量作为故障特征参数。试验结果表明,该方法提取的故障特征参数能敏感地反映曲轴轴承的磨损状态,可作为诊断曲轴轴承故障的重要特征量。     

变速器齿裂及轴承故障建模与故障特征提取

建立了变速器齿裂故障、轴承故障的动力学模型，依据此模型仿真了齿裂故障、轴承内圈、外圈、滚动体故障的故障信号。采用平滑伪维格纳分布提取了这几种故障的特征。结果表明所建模型能提取出故障的特征。     

汽车变速器磨损轴承振动信号混沌行为分析

本文首先讨论了判断时间序列具有混沌性态的准则，探索了求时间序列奇异吸引子嵌入维数的方法，并用Ｇ－Ｐ算法求关联维数，在尝试用几个传统的奇异吸引子验证了该方法的正确性之后，将它应用于计算一组变速器磨损轴承加速度振动信号的分形维数，计算表明，变速器振动信号具有分形特征，在其它条件不变时，轴承技术状况与振动信号的分形维数密切相关，它们均在２维与３维之间，随着轴承磨损加剧，它向３维逼近，当样本点达到一定数目     

小波分析在变速器齿轮故障诊断中的应用

从小波变换的理论背景出发，介绍了利用小波变换对信号进行分解的原理。针对变速器齿轮振动信号的非平稳性特点，通过对变速器齿轮振动信号用db4小波进行了多分辨分析，说明这种方法可以有效地对变速器齿轮故障进行诊断。     

基于EMD和AR模型的汽车变速器齿轮故障诊断方法

提出了基于EMD和AR模型的汽车变速器齿轮故障诊断方法。该方法采用EMD将齿轮振动信号分解成若干个平稳的IMF分量,对每一个IMF分量建立AR模型,以模型的自回归参数和残差的方差作为特征向量建立Mahalanobis。距离判别函数,进而识别齿轮的工作状态。实验分析表明,该方法能有效地应用于变速器齿轮的故障诊断。     

基于时变信号汽车后桥主锥齿轮总成故障检测与诊断

针对汽车后桥主锥齿轮总成异响振动的时域波形特征,设计出可调的阈值参数,提出了随波形移动的时间窗和幅值窗分析故障特征的方法,建立起基于非稳态时变信号分析汽车后桥主锥齿轮总成故障的检测与诊断系统,解决了实际生产中人为因素造成诊断与识别误判率较高的问题,提高了生产检测质量水平.     

瞬态成分提取在变速器齿轮故障诊断中的应用

基于小波包的信号瞬态成分检测与提取方法及其应用，提出基于小波包分解特征表示和瞬态特征重建方法并应用于汽车变速器齿轮的故障诊断，结果表明基于小波包分解的信号特征表示方法能有效检测信号中瞬态成分的存在，瞬态成分的重建结果有效地表示了齿轮的故障状态。     

应用振动信号诊断汽油机磨损故障

往复发动机的故障诊断是较困难和热点的研究问题。本文主要针对EQ6100发动机常见部件(活塞—缸套、气门、气门挺杆、连杆轴承、曲轴轴承、活塞销与衬套)磨损故障进行了振动测试研究。在EQ6100发动机预先模拟各种故障,然后测取了在不同参数条件下的故障信号,并用时域和频域分析法进行了分析比较。通过分析,得出了各种故障诊断的特征参数及实现的方法。     

基于车用柴油机不平衡数据集的故障识别组合模型

基于车用柴油机的不平衡数据集,根据对应故障发生频次高与低,将模型建立对象分为样本丰富的大数据量故障与样本集不完备的小数据量故障两种。面向前者,基于XGBoost （Extreme Gradient Boosting） 分类算法构建故障识别模型,面向后者,基于模糊神经网络构建故障识别模型,然后针对两类模型进行参数调节以获得最优效果,并分别建立评估机制。模型评估结果表明,该故障识别组合模型能够较为精确、全面地识别大多数故障种类,是一种对数据量要求不高且总识别率超过80%的多适应性识别模型算法,可作为汽车维保工作中的重要工具使用。     

模糊逻辑在汽车电子控制中的应用

本文简要介绍了汽车电子控制和模糊逻辑控制的特点，综述了模糊逻辑在汽车发动机控制，自动变速器控制，ＡＰＳ悬架控制，故障诊断，巡航控制等方面的应用。