基于Autogram的齿轮断齿故障特征提取方法.docx

基于Autogram的齿轮断齿故障特征提取方法
基于Autogram的齿轮断齿故障特征提取方法
摘要
随着现代工业的发展，机械设备扮演着越来越重要的角色。其中，齿轮是广泛应用于各种机械设备中的一种关键元件。然而，齿轮的故障可能会导致设备的停机和生产的中断，因此对齿轮故障进行准确快速的诊断和预测是非常重要的。本论文基于Autogram提出了一种齿轮断齿故障特征提取方法。
引言
齿轮是一种常见的机械传动元件，用于将驱动器和驱动装置之间的动力和扭矩传递。然而，由于长期运行和负荷变化等原因，齿轮可能会发生断齿故障。断齿故障会引起齿轮的振动和噪音增加，严重时会导致齿轮的失效。因此，对齿轮故障进行快速准确的诊断和预测对于保证设备的安全运行和降低生产成本具有重要意义。
相关研究
在过去的几十年中，许多学者都对齿轮故障的诊断和预测进行了广泛的研究。其中，振动分析和噪声分析被认为是非常有效的方法之一。然而，传统的振动分析和噪声分析方法在某些情况下存在一定的局限性。为了克服这些局限性，许多学者开始应用机器学习和数据挖掘方法来进行齿轮故障的特征提取和诊断。
方法
本论文提出了一种基于Autogram的齿轮断齿故障特征提取方法。Autogram是一种图形表示方法，可以将时域信号转换为图形，同时保留了信号的关键特征。在齿轮故障诊断中，我们将齿轮振动信号转换为Autogram图形，并从图形中提取故障特征。
具体步骤如下：
1.数据采集：使用加速度传感器等设备对齿轮的振动信号进行采集。保证采集到的信号具有良好的信噪比和代表性。
2.数据预处理：对采集到的振动信号进行预处理，包括去除噪声、滤波和归一化等操作，以减小噪声对后续分析的影响。
3.Autogram图形转换：将预处理后的振动信号转换为Autogram图形。Autogram图形可以通过定义一组距离测度（例如最短路径、最长路径等）来表征振动信号的拓扑结构。
4.特征提取：从Autogram图形中提取齿轮断齿故障的特征。这些特征可以包括图形的切线斜率、跨度、网络特性等，这些特征可以用来描述齿轮断齿故障的不同状态。
5.故障诊断与预测：使用机器学习算法对提取到的特征进行分类和预测，以实现对齿轮断齿故障的准确诊断和预测。
结果与讨论
为了验证提出的基于Autogram的齿轮断齿故障特征提取方法的有效性，我们对一组实际采集的齿轮振动信号进行了实验。实验结果表明，通过使用Autogram图形和相应的特征提取方法，能够有效地提取到齿轮断齿故障的特征，并实现对齿轮断齿故障的准确诊断和预测。
结论
本论文提出了一种基于Autogram的齿轮断齿故障特征提取方法，该方法通过将齿轮振动信号转换为Autogram图形，并从图形中提取特征来实现齿轮断齿故障的诊断和预测。实验结果表明，该方法具有一定的准确性和可行性，可为齿轮故障的早期诊断和预防提供一种新的思路和方法。
参考文献
[1]Li,W.,Zhang,H.,Han,Y.,&Tang,G.(2017).GearfaultdiagnosisbasedonfeatureextractionofAM–FMdemodulationspectrumandsupportvectormachine.JournalofMechanicalScienceandTechnology,31(8),4025-4033.
[2]Zhao,Z.,Lu,W.,&Kong,D.(2020).Robustrollingbearingdiagnosticbasedonnonlinearfeatureclusteringandlocalfeaturelearning.IEEETransactionsonInstrumentationandMeasurement,70,1-1.
[3]Li,Y.,Fang,F.,Li,C.,Zhang,D.,Yuan,Y.,&Pan,Z.(2018).DeepLearningforGearfaultdiagnosisonMeasuredVibrationSignal.JournalofMechanicalScienceandTechnology,32(9),4279-4289.
[4]Zhang,S.,&Cao,H.(2019).Faultdiagnosisandprognosisofawindturbinegearboxbasedonmultiindicatorsandkernelextremelearningmachine.JournalofMechanicalScienceandTechnology,33(2),903-911.
[5]Shi,Y.,&Chen,J.(2017).FaultdiagnosisofgearbasedonwaveletPacketentropya