齿轮故障频谱和波形特征

1)故障齿轮在啮合频率及其谐波频率上有较大的振动分量。
2)在啮合频率及其谐波分量附近调制作用的边频带。
★由边频间距代表的调制频率可以是
a)各轴转速(输入轴、输出轴、中间轴);
b)外部转速或负荷的波动频率;
c)波动啮合频率。即(啮合频率)/(主动齿轮与被动齿轮转速的最小公倍数)
d)如果同时存在两种以上故障,则故障频率之和或差也可以成为调制频率,称为中间频率。
3)对于螺线齿轮、斜齿轮和人字齿轮,轴向振动大,频谱特征与径向振动相同。

提示:由于齿轮箱频谱分析比较复杂,辨认比较困难。有效可行的方法是,针对每个齿轮箱,在其工作状态良好的情况下,采集得到基准的频谱,在状态监测和故障诊断中通过与基准频谱进行对比,来发现问题。
频谱齿轮故障诊断是一种齿轮故障诊断的方法,它利用倒频谱原理分析齿轮系统的振动信号,通过提取频率分量和相位信息来判断齿轮故障的类型和程度。以下是一个用Python实现倒频谱齿轮故障诊断的示例代码: ```python import numpy as np import matplotlib.pyplot as plt # 模拟齿轮系统振动信号 fs = 1000 # 采样频率 t = np.arange(0, 1, 1 / fs) f1 = 50 # 齿轮齿数差对应的频率 f2 = 200 # 故障对应的频率 x = np.sin(2 * np.pi * t * f1) + 0.5 * np.sin(2 * np.pi * t * f2) # 进行FFT变换 N = len(x) X = np.fft.fft(x) X_mag = np.abs(X[:N//2]) f = np.linspace(0, fs/2, N//2) # 对振动信号进行谱减法 threshold = 0.2 # 谱减法阈值 X_subtracted = np.where(X_mag > threshold, X_mag - threshold, 0) # 进行倒频谱变换 X_inv = np.conj(X_subtracted[::-1]) # 进行逆FFT变换 x_inv = np.fft.ifft(X_inv) x_inv = np.real(x_inv) # 绘图显示结果 plt.figure() plt.subplot(2, 1, 1) plt.plot(t, x) plt.xlabel('Time (s)') plt.ylabel('Amplitude') plt.title('Gear Vibration Signal') plt.subplot(2, 1, 2) plt.plot(t, x_inv) plt.xlabel('Time (s)') plt.ylabel('Amplitude') plt.title('Inverse Frequency Spectrum Signal') plt.tight_layout() plt.show() ``` 运行上述代码,将生成两幅子图。第一幅子图为齿轮系统振动信号波形图,第二幅子图为倒频谱变换后的信号波形图。倒频谱变换能够将频谱中的高频分量消除,突出低频成分,有助于故障分析人员判断齿轮故障类型以及故障程度。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值