介绍了以32位ARM处理器为核心的振动监测仪器的数采部分硬件设计过程,通过使用高功能、低功耗的S3C44B0X与嵌入式实时操作系统μC/OS-Ⅱ,实现了旋转机械振动信号采集部分硬件设计及检测.

针对行星齿轮箱实际工况中存在多种频率耦合无法直接提取故障特征频率的问题,提出一种基于樽海鞘群算法优化变分模态分解(SSA-VMD)结合2.5维谱的故障诊断方法。运用SSA优化VMD的参数;运用自相关系数对分解信号进行重构,降低噪声的干扰;最后运用2.5维谱对重构信号中的频率耦合进行解耦运算。搭建行星齿轮箱磨损故障全生命周期实验台采集振动信号,运用提出的方法解耦出参与耦合的故障频率成分,揭示了行星齿轮箱磨损故障演化规律。

为实现齿轮故障模式的有效识别,提出了基于峭度准则变分模态分解(VMD)的样本熵与概率神经网络(PNN)的齿轮故障诊断方法。首先,利用VMD将齿轮振动信号进行分解;然后,提取峭度最大及次大分量的样本熵并组成特征向量;最后,将特征向量分别输入BPNN和PNN实现故障模式识别。通过齿轮故障试验对该方法进行验证,结果表明,基于峭度准则VMD样本熵与PNN相结合时的故障诊断准确率达96.25%,高于与BPNN结合时的准确率;将所提方法与基于峭度准则EEMD,LMD,EMD样本熵分别与神经网络结合时的诊断准确率进行对比,则明显高于其他三种方法,证明了所提方法的可行性和有效性。

针对故障齿轮振动信号的非平稳和调制特性,提出了在变分模态分解(VMD)-模平方阈值降噪的基础上利用概率神经网络(PNN)进行齿轮故障诊断的方法。首先,利用VMD将原始振动信号分解为若干个本征模态函数分量,采用模平方阈值方法对各分量处理后并重构;然后,提取重构信号的峭度和均方根作为特征值组成特征向量;最后,将特征向量输入PNN实现故障类型识别。通过齿轮故障试验分析,将其与基于EMD-模平方阈值、LMD-模平方阈值和EEMD-模平方阈值的BP神经网络故障诊断方法相比较。结果表明,该方法能有效的提取特征信息,故障诊断准确率高达96.875%,证明了所提方法的可行性和有效性。

针对小波阈值降噪时硬阈值和软阈值存在的连续性差和小波系数高频损失的问题,以及经典独立分量分析（independent component analysis,简称ICA）方法降噪时的欠定问题,提出了模平方阈值与Fast ICA结合的联合降噪方法。首先将采集的单通道信号进行模平方阈值降噪处理,然后将降噪后信号与原振动信号组成输入矩阵进行Fast ICA降噪,最后对降噪后信号进行包络谱分析,实现滚动轴承特征提取和故障诊断。仿真和实验结果分析表明：该方法能使振动信号的峭度值增大,有效地滤除噪声,凸显故障特征信息,证明了该方法的有效性。

以大型风力发电设备中行星齿轮传动系统为研究对象,针对行星齿轮箱故障监测诊断问题,进行了小波包去噪和Hilbert解调技术的理论方法研究,并在Windows平台下运用Qt和Matlab进行了行星齿轮箱故障监测诊断系统开发,最后进行了试验分析。结果表明,系统能够在行星齿轮箱不同工况下,从测试的振动信号中解调出故障齿轮的调制信息,进而判断出故障齿轮的部位,进而实现了系统的故障监测诊断。研究可为行星齿轮传动系统故障诊断提供数据采集与分析技术支持,有利于进一步实现基于网络技术的远程在线监测,具有一定的工程应用价值。

考虑啮合刚度、齿侧间隙和轴承支撑间隙等因素,运用集中质量法建立了三自由度直齿圆柱齿轮副弯扭耦合非线性振动模型,并据此研究了各参数对齿轮系统非线性振动特性的影响。结果表明齿侧间隙一定时,随着频率的升高,系统由周期运动通过激变直接进入混沌,然后又由混沌通过激变变为周期运动;在周期运动中,系统经过倍周期分岔,由双周期运动变为四周期运动,然后又通过逆倍周期分岔,由四周期运动变为双周期运动,之后又由双周期运动变为单周期运动;不同的输入转频条件下,间隙变化使系统表现出不同分岔特性,在某些特定频率下,间隙变化只增加系统响应能量变化,并不改变其动力学特性。

以双轴转子系统为研究对象,针对其动态测试与故障诊断中存在的问题,进行基于虚拟仪器技术的测试系统研究.通过分析双轴转子系统典型的动力学特性,提取实验台旋转振动信号中包含的特征信息进行故障诊断.应用LabVIEW软件为开发平台,设计和实现双轴转子系统动态测试系统.结果表明,系统可以实现转子实验台的数据采集以及非线性动特性关联维数的计算与输出图形等功能,为深入研究系统运行中的关联维数变化提供分析平台,对研究故障演化有重要的应用价值.