小榄做网站企业场景营销
1.齿轮箱故障一例
出处：设备的故障识别
GearBox的频谱图，原作者不知道是从哪里拷贝来的，待会儿确认一下。
齿轮啮合频率GMF等于齿数乘以齿轮转速频率：
★齿轮啮合频率两边有边频，间距为1X（这是由冲击响应本身的信号特征决定的，参见下面的实验，这里的1x单位应该是转频，在上面的图中可以看出）
★随着齿轮故障发展，边频越来越丰富，幅值增加（频谱边频丰富很难理解，因为冲击力会随着磨损逐渐变得圆滑，这个需要做实验）
★可用倒频谱作进一步分析
1. 齿轮类故障特征
★齿轮啮合频率等于齿数乘以齿轮转频
★啮合频率两边存在边频，间距为1×
★随齿轮故障的发展，边频越来越丰富，幅值增加
★齿轮断齿表现为断齿数量乘以齿轮转频
★齿面损伤程度看边频带，同时出现损伤齿数乘以齿轮转频的振动
★同原始谱进行比较判断
2.趋势分析一例
出处：设备的故障识别
一、分类
★波形分析：时域分析、幅值谱分析、功率谱分析、平均谱分析、概率谱分析、倒频谱分析、三维谱分析、包络分析。
★趋势分析
趋势分析法
★监视机器的劣化过程
★预测机器的失效时间
★振动值变大
二、通频值趋势分析
★简单易行
★不易发现早期故障（劣势，它是用门限值来做总的防护）
上图是总振动水平的趋势，下面还有一个频域的趋势报警，没看太清楚。原作笔记说：
★能早期发现齿轮、轴承等早期故障
★能较快判定故障的部位
2.1 关于报警值的选择：
★根据各种标准，ISO GB API等
★以机器正常状态的振动值，乘以倍数，如X(3~4)、X(8~10)
这位同志提到了旋转机械振动诊断国际标准ISO10816（替代ISO2372） ，
这张图和我看到的不大一样。待考。
3. 振动分析的作用
然后是上面这个振动分析的职能，PPT能用上。
4. 数学实验，关于振动与边频，频谱的对应关系
4.1 查看包含左右1x变频的时域谱线是什么
参考这个例子：https://www.zhihu.com/question/317898467/answer/3562222164
import numpy as np
import matplotlib.pyplot as plt# 参数设定
Fs = 1000 # 采样频率
T = 1 / Fs # 采样周期
t = np.arange(0, 1, T) # 时间向量arFreq = t.copy()
for i in np.arange(len(arFreq)):arFreq[i] = 0
arFreq[20] = 1
arFreq[19] = 0.5
arFreq[21] = 0.75
arFreq[-20] = arFreq[20]
arFreq[-19] = arFreq[19]
arFreq[-21] = arFreq[21]
arTime = np.fft.ifft(arFreq) #未模拟出相位关系。spectrum1 = arFreq
timedomain1 = arTime# 绘制频谱
plt.figure(figsize=(12, 8))plt.subplot(2, 1, 1)
plt.plot(np.real(spectrum1))
plt.title('Frequency Spectrum: 20 Hz, Amplitude 1')
plt.xlabel('Frequency (Hz)')
plt.ylabel('Amplitude')# 绘制时域信号
plt.subplot(2, 1, 2)
plt.plot(t, np.real(timedomain1))
plt.title('Time Domain Signal: 20 Hz, Amplitude 1')
plt.xlabel('Time (s)')
plt.ylabel('Amplitude')plt.tight_layout()
plt.show()它会在时域转频周期内产生出一种幅度衰减的效果：
4.2 幅度调制的原因推导
这种幅度调制效果是怎么出现的？
我们知道，一根轴往往两端各有一个轴承，如果这两个轴承的频率有微小差异，然后又因为非整周期采样，然后同频点附近的两个振动源叠加在一起，就会呈现这种幅度调制。
<待续...>