基于振动信号处理技术的传动链误差分析
《2024年基于振动信号的机械故障特征提取与诊断研究》范文
《基于振动信号的机械故障特征提取与诊断研究》篇一一、引言在现代工业生产中，机械设备的正常运行对生产效率和产品质量具有重要意义。
然而，由于长期运转和各种内外因素的影响，机械设备不可避免地会出现各种故障。
为了有效监测和诊断机械设备的故障，研究基于振动信号的机械故障特征提取与诊断方法显得尤为重要。
本文旨在探讨基于振动信号的机械故障特征提取与诊断研究的相关问题及解决方案。
二、振动信号与机械故障的关系振动信号是机械设备运行过程中产生的物理量，包含了丰富的设备运行信息。
机械设备的故障往往会导致其振动信号发生变化，因此，通过对振动信号的分析和处理，可以提取出反映设备故障特征的信息。
这种基于振动信号的故障诊断方法具有非接触、实时、高效等优点，已成为现代机械设备故障诊断的重要手段。
三、机械故障特征提取方法针对机械设备振动信号的特点，本文提出了一种基于信号处理和模式识别的机械故障特征提取方法。
该方法主要包括以下几个步骤：1. 数据采集：使用传感器对机械设备振动信号进行实时采集。
2. 信号预处理：对采集到的振动信号进行去噪、滤波等预处理操作，以提高信号的信噪比。
3. 特征提取：通过时域分析、频域分析和时频域分析等方法，从预处理后的振动信号中提取出反映设备故障特征的信息。
4. 模式识别：利用机器学习、深度学习等算法对提取出的特征进行分类和识别，从而实现对设备故障的诊断。
四、诊断模型与算法研究在机械故障诊断中，诊断模型和算法的选择对诊断结果的准确性具有重要影响。
本文提出了一种基于深度学习的诊断模型和算法，该模型能够自动学习和提取振动信号中的故障特征，从而实现高精度的故障诊断。
具体而言，该模型采用卷积神经网络（CNN）和长短期记忆网络（LSTM）等深度学习技术，对振动信号进行多层次、多尺度的特征学习和表达，从而实现对设备故障的准确诊断。
五、实验与分析为了验证本文提出的机械故障特征提取与诊断方法的有效性，我们进行了大量的实验。
基于振动监测的风机传动链故障诊断
摘要：能源是经济持续健康发展的关键。
煤炭、石油、天然气等石化能源已不再符合绿色、清洁、环保、可持续发展的需要，用可再生新能源替代传统石化能源是我国能源可持续发展的必然选择。
风能由于具有绿色、清洁、可再生等优势，近年来随着风力发电技术的成熟越来越得到国家重视，已成为我国改善能源供给结构的重要支撑。
然而风电机组一般所处的自然环境恶劣，常在变速变载条件下工作，工况极为复杂，随着风机运行年限的增长，故障频发。
除电气外，易发故障的部件主要在传动系统，包括主轴、齿轮箱、发电机、轴承等，而风机传动系统故障大多又与振动异常相关，由此造成的损失也更大。
因此，对风电机组传动链振动进行监测、分析与诊断，对故障提前预警，有助于风机的预防性运维，保障机组可靠稳定运行。
本文在对振动测试相关理论和时域分析、频谱分析、包络分析等振动信号分析处理技术阐述基础上，结合风机结构特点，对传动链中如何实施振动监测、如何对采集的振动信号进行有效分析，以及如何依靠监测数据快速准确诊断机组故障进行了论述。
关键字：振动监测；风机；传动链；故障诊断人类生存和发展需要能源的支撑，风能作为一种清洁可再生资源，近二十来年受到世界各国的高度关注，已成为解决能源危机、响应环境保护的重要能源。
在政府的大力扶持下，我国风力发电行业得到快速发展，到2020年底，并网风电场近5000座，累计装机容量将突破2.6亿kW，在运风力发电机组超过13万台。
风电的快速发展给新能源行业带来市场机会的同时，也带来了巨大的运检挑战。
由于大多数风电场建在深山、草原、海岛、高原等自然环境恶劣区域，风力发电机组需长期在雨雪、风沙、雷电、冰冻等环境中运行，风速、风向又具有极大的不稳定性与不确定性，大多在变速变载条件下工作，工况极为复杂。
伴随风电场投运年限增长，风力发电机组内部传动部件易发生故障，实际上由于机械部件的不平衡、疲劳、磨损、断裂、胶合等问题引起的故障目前已成为风力发电机组的主要故障。
基于振动信号的机械故障特征提取与诊断研究
基于振动信号的机械故障特征提取与诊断研究基于振动信号的机械故障特征提取与诊断研究摘要：随着机械设备的广泛应用和高度自动化的发展，机械故障的预测与诊断变得越来越重要。
振动信号是机械故障诊断中常用的检测手段之一。
本文通过对振动信号的特征提取研究，探索了一种基于振动信号的机械故障诊断方法，并通过实验验证了该方法的有效性。
1. 引言随着工业自动化的发展，机械设备的运行状态直接关系到生产效率和安全性。
机械故障的预测与诊断可以有效地避免设备损坏和生产事故的发生。
其中，振动信号是一种常用的机械故障检测手段。
振动信号中包含着丰富的信息，能够反映机械设备的运行状态。
因此，对振动信号进行特征提取并结合机械故障诊断方法，有利于实现机械故障的准确诊断。
2. 振动信号的特征提取方法振动信号中的特征提取是机械故障诊断的关键步骤。
本文使用了时域特征、频域特征和小波分析方法对振动信号进行特征提取。
2.1 时域特征提取时域特征主要是从振动信号的时间序列中提取有关信号的信息。
常用的时域特征包括均方根值（RMS）、峰值因子（PF）和脉冲因子（IF）等。
通过计算这些特征值，可以获得振动信号的幅值、频率和脉冲特点等信息。
2.2 频域特征提取频域特征是通过对振动信号进行傅里叶变换，将信号从时域转换为频域。
通过频域分析，可以提取出振动信号的频率特征，如主频率和谐波频率等。
常用的频域特征有功率谱密度、频率主成分和频谱峰值等。
2.3 小波分析方法小波分析是一种时频分析方法，能够同时提取时域和频域特征信息。
通过对振动信号进行小波分解，可以获得不同尺度上的振动特征。
常用的小波分析方法有小波包分解和连续小波变换等。
3. 基于振动信号的机械故障诊断方法基于振动信号的机械故障诊断方法主要包括特征提取和故障识别两个步骤。
特征提取阶段，通过对振动信号进行特征提取，得到一组特征向量。
然后，将特征向量输入到故障识别模型中，进行故障类型的判断。
3.1 特征提取在特征提取阶段，将振动信号进行时域特征、频域特征和小波分析等方法的处理。
动车组机械传动系统轴承振动信号分析与故障诊断探讨
动车组机械传动系统轴承振动信号分析与故障诊断探讨摘要：振动信号属于机械动力学上的重要表现形式，在机械传动系统组成中，轴承或者是齿轮等部件产生局部故障问题，振动信号会受到瞬态冲击成分影响，故障在不断发展后，波形特征也会产生相应变化。
振动信号提取后会对机械零部件的局部故障进行反映，在瞬态冲击成分提取后，可有效诊断机械故障问题。
本文通过对动车组机械传动系统轴承振动信号与故障诊断进行分析，在分析信号后，采用有效故障诊断措施，通过此种方式保证动车组机械传动系统有效运行，为动车组安全运行提供重要支持。
关键词：动车组；机械传动系统；轴承；振动信号在高速列车安全运行过程中，起着关键性影响的技术之一是轴承故障诊断技术，轴承部分属于动车中比较重要的旋转部件，同时也是重要故障源部分。
依据相应资料，动车组传动系统故障问题，占比显示为30%左右故障是滚动轴承造成中，以年为周期，占比显示为40%的动车组传动系统滚动轴承需借助下车检验方式对其运行状态进行确定，占比显示为33%左右部件需更换。
基于此，动车组滚动轴承部分开展状态监测以及故障诊断工作可对高速铁路运行管理效果进行有效提升，过程中凸显较高的经济效益。
轴承振动信号的监测、提取以及识别研究，逐渐受到相关研究人员更多重视，实现多方多次探讨。
一、信号诊断分析方式通常情况下收集信号是利用时间函数，本质内容上是借助时间以及频率因素作为变量函数，信号上的时域函数凸显幅值伴随时间变化，频域函数因素可对频率成分进行反映[1]。
基于此，时域分析以及频域分析方式是比较传统普遍的措施。
（1）时域分析方式，机械设备诊断故障过程中，需对信号时域进行直接分析，获取相应结果，此种方式属于最为直接和简单的信号分析方式，在信号中含有比较明显的简谐成分以及周期成分等效果比较明显。
在统计分析时域过程中，比较常见的统计量数值为均值以及方差等。
时域统计量可凸显表征信号中的部分特性，但借助此种时域特性因素对复杂信号分析并不充分，因此时间序列信号在本质内容上属于时间函数以及频率函数，因此会生成信号频域分析模式。
机械工程中的振动信号分析与故障诊断技术研究
机械工程中的振动信号分析与故障诊断技术研究引言：振动信号分析与故障诊断技术在机械工程领域中扮演着重要的角色。
通过对机械设备振动信号的分析，可以及时发现潜在的故障问题，预测设备寿命，提高设备运行效率，降低设备维护成本。
本文将探讨振动信号分析与故障诊断技术的研究现状以及未来发展趋势。
一、振动信号分析在机械工程中的应用振动信号分析在机械工程领域中具有广泛的应用。
振动信号可以包含丰富的信息，能够反映机械设备的运行状态、结构特性和故障状况。
通过对振动信号的分析，可以实现对机械设备的运行过程进行监测、故障诊断和预测。
1.1 振动信号的特征提取振动信号的特征提取是振动信号分析的核心内容之一。
通过对振动信号进行时域分析、频域分析和时频域分析等方法，可以提取出振动信号的幅值、频率、相位等特征参数，进而分析机械设备的运行状态。
1.2 故障诊断与预测振动信号分析在机械设备故障诊断与预测中发挥着关键作用。
通过比对振动信号的特征参数与故障模式数据库中的对应关系，可以准确判断机械设备的故障类型和位置。
同时，利用振动信号的时序特性，可以对机械设备未来的寿命进行预测，从而及时安排维护计划，避免机械设备故障带来的生产损失。
二、振动信号分析与故障诊断技术的研究现状目前，国内外学者和工程师们对振动信号分析与故障诊断技术进行了广泛的研究。
研究包括但不限于信号处理方法、特征提取算法、故障模式识别等方面。
2.1 信号处理方法信号处理方法是振动信号分析的重要基础。
国内外学者提出了多种信号处理方法，如小波分析、独立分量分析（ICA）、奇异谱分析（SSA）等。
这些方法能够提取出振动信号中的隐含信息，为后续的特征提取和故障诊断提供基础。
2.2 特征提取算法在振动信号分析中，特征提取算法是关键一步。
目前广泛应用的特征提取算法包括傅里叶变换、小波变换、相关函数分析等。
这些算法可以从振动信号中提取出幅值、频率、相位等特征参数，为故障诊断提供依据。
2.3 故障模式识别故障模式识别是振动信号分析的重要部分。
_基于振动信号分析的齿轮箱故障诊断
诊断时就要有目 的地提高采样频 率 , 以防止 丢失 故障振动信号 。 2.3 齿轮箱轴系的主要故障特征及频率特点
1)轴不对中 这时的振动 信号将以齿轮 啮合频率及其 谐波 为载波频率 , 齿轮所在轴转频 及其倍频为调 制频 率 ;调制频率的 2倍频幅值最大 ;齿轮啮合频率及 其谐波幅值增大 ;振动能量 (有效值和 峭度 )有 一定程度增大 。特征频谱见图 5。
5)振动信号出现以齿轮箱固有频率及其谐波 为载波频率 , 齿轮所 在轴转频及其倍 频为调制频 率的边频带 ;
6)振动信号出 现以 外圈 的各阶 固有 频率 为 载波频率, 产生剥落元件的通过频率为调制 频率 。
2 齿轮箱的主要故障形式[ 2]
作为一个 整体 , 齿轮箱 的故障形式 是多种多 样的, 但齿轮箱主要是由齿轮 、 轴承、 轴和箱体 等几部分组成的 , 因 此对齿轮箱工作 状态的监测 识别可以分为对这些零部件的工作状 态的监测识 别 。由于各个组件结 构参数等 的不同 , 各个零部 件所引起的 振动信号 的频率 、 幅值是不 同的 。 所 以当某一部件出现故障时就会出现特 定与其相对 应的振动信号 , 通过 对振动信号的分 析就能得出 齿轮箱的故障范围和性 质[ 3] 。 下面就 各个部件出 现故障时的振动信号特征进行介绍 。 2.1 齿轮的主要故障特征及频率特点
《2024年基于振动信号的机械故障特征提取与诊断研究》范文
《基于振动信号的机械故障特征提取与诊断研究》篇一一、引言随着工业的快速发展，机械设备的稳定运行对于企业的生产效率和经济效益至关重要。
然而，由于各种因素的影响，机械设备在运行过程中常常会出现各种故障。
因此，对机械故障进行准确、及时的诊断与处理显得尤为重要。
振动信号作为机械设备运行状态的重要表征，其包含了丰富的设备运行信息。
本文旨在研究基于振动信号的机械故障特征提取与诊断方法，以提高机械故障诊断的准确性和效率。
二、振动信号的特征分析振动信号包含了机械设备运行状态的各种信息，包括转速、负载、温度等。
通过对振动信号的分析，可以提取出反映设备运行状态的特征参数。
这些特征参数主要包括时域参数、频域参数和时频域参数。
时域参数主要包括峰值、均方根值、峰值因子、脉冲因子等，可以反映设备的运行状态和冲击程度。
频域参数则包括频率、振幅等，可以反映设备的频率特性和振动的激烈程度。
时频域参数则结合了时域和频域的信息，可以更全面地反映设备的运行状态。
三、机械故障特征提取方法针对机械故障诊断的需求，本文提出了一种基于振动信号的机械故障特征提取方法。
该方法主要包括信号预处理、特征提取和特征选择三个步骤。
1. 信号预处理：对原始振动信号进行去噪、滤波等处理，以提高信号的信噪比和可靠性。
2. 特征提取：采用时域分析、频域分析和时频域分析等方法，从预处理后的信号中提取出反映设备运行状态的特征参数。
3. 特征选择：通过统计学习、机器学习等方法，对提取出的特征参数进行选择和优化，以得到最能反映设备故障的特征参数。
四、机械故障诊断方法基于提取出的机械故障特征参数，本文提出了一种基于模式识别的机械故障诊断方法。
该方法主要包括特征降维、模式识别和诊断结果输出三个步骤。
1. 特征降维：通过主成分分析、独立成分分析等方法，对高维特征参数进行降维处理，以降低计算的复杂度和提高诊断的准确性。
2. 模式识别：采用支持向量机、神经网络等机器学习方法，对降维后的特征参数进行分类和识别，以判断设备的运行状态和故障类型。
振动信号采集过程中存在的误差及解决方法
振动信号采集过程中存在的误差及解决方法作者：丁力来源：《科学与财富》2019年第16期摘要：通常，通过数据采集器采样获得的振动信号具有多个声音，除了频率50Hz和倍频程之外，它们还包含不规则的随机破坏性信号。
带宽频率干扰和高频使得产生的振动曲线有许多毛刺。
为了改善振动曲线的振动，平滑是最有效的方法之一。
数字滤波器在离散系统中具有很强的用途。
它可以处理波形和频率信号输入，广泛用于振动信号的预处理。
其信号预处理方法包括两部分，即消除项多项式趋势和平滑。
前者消除项多项式流，信号偏离基线可以过滤以获得更高精度的信号；后者是在信号中发出声音，从而增强振动曲线的振动。
1.几乎所有的物理现象都可看作是信号，但这里我们特指动态振动信号。
振动信号采集与-般性模拟信号采集虽有共同之处，但存在的差异更多，因此，在采集振动信号时应注意以下几点：（1）.振动信号采集模式取决于机组当时的工作状态，如稳态、瞬态等；（2）.变转速运行设备的振动信号采集在有条件时应采取同步整周期采集；3.所有工作状态下振动信号采集均应符合采样定理。
2.对信号预处理具有特定要求是振动信号本身的特性所致。
信号预处理的功能在-定程度上说是影响后续信号分析的重要因素。
预处理方法的选择也要注意以下条件：（1）.在涉及相位计算或显示时尽量不采用抗混滤波；（2）.在计算频谱时采用低通抗混滤波；（3）.在处理瞬态过程中1X矢量、2X矢量的快速处理时采用矢量滤波。
上述第3条是保证瞬态过程符合采样定理的基本条件。
当获取瞬态振动信号时，单位速度的变化率高，并且当获取动态信号（通常是几个周期）时，可以通过后处理获得1X和2X矢量数据。
无法获得高分辨率分析数据。
由波德图，极坐标图和三维频谱图表示的单位的瞬态特征是唯一的，如果这些图的数据间距太大（分辨率太小），则无法表示小的变化。
再次，您将得到大错误的分析结论。
它会影响故障诊断的准确性。
通常，三维谱图需要少量数据集（Δrpm分辨率），这会过多地影响图形的正确识别；但是，前两个分析图需要更高的分辨率。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
４ ５
３ ３
Ｅ Ｅ
将 采 样周 期 设 为 ５ ，测 得 该 机床 Ｃ 周 轴传 动链
图 １ Ｃ轴 传 动 链 示 意 图
的累 计误 差 曲线 如 图３ 示 ，可 以看 出 ，累计 传 动 所
误 差 峰 峰值 为６６ Ｅ ３ ，即２ ．角秒 ，其 周 期 性 ．１ 一 度 ３８ 特 征 较 为 明显 。从 累计 传 动误 差 曲线 上 可 以清 晰
精 度 行 星齿 轮减 速 器 ，然 后 通 过联 轴 器 连 接 蜗 轮
蜗 杆 ，带 动 工 作 台 回 转 。其 中 ，蜗 轮 齿 数 为２ ５ １ 齿 。蜗杆 为单线 。因此 ，从 驱动 电机到 Ｃ 工作 台 轴 的总传 动 比为 ：２ ５： １７ 。以该 传动链 作 为被 １ ｌ ： ０５ ５＝ 测 对 象 ，将 Ｃ 设 为 一 号 轴 ，其 光 栅 条 纹 数 为 轴 ４ ００ ５ ０ 。驱 动 电 机 设 为 二 号 轴 ，其 光 栅 条 纹 数 为
ｌ一≮ 技术 应 用 ｌ ｜
ｄ ｉ１．９ ９ 。ｓ ．５ ３ ４ ９ ． １ 。６ １ ｏ：０３ ６ ０ ｉ ｎ１ ６ － ７ ５２ ２０ ３ ｓ ０ ０
基于振动信号处理技术 的 传动链误 差分析
闫晓 旭 ，唐 万 强
ｆ 西安 电子 工程研 究所 ，陕 西
西安
７０ ０） １ １０
ｃ ａ ａ ｔｒｓ ｃ ｆＮＣ ｍａ ｈ ｎ ｏ ｌ ｒ ｎ ｍｉｓｏ ｙ ｔ ｍ． ｎ ｏ ｄ ｒｔ ｕ ｔ ｅ ｍｐ ｏ ｅ ｔ ｅ ｒ ｌ ｂ ｌ ｙ ｏ ｙ ｔ ｍ ｏ ｈ ｒ ｃｅ ｉｔ ｓ ｏ ｃ ｉ ｅ ｔｏ ｔａ ｓ ｓ ｉｎ ｓ ｓｅ Ｉ ｒ ｅ ｏ ｆ ｒ ｒｉ ｒ ｖ ｈ ｅｉ ｉ ｔ ｆＮＣ ｓ ｓｅ ｆｒ ｉ Ｓ ｈ ａ ｉ ｍａ ｈ ｎ ｏ ｌ ｉ ｉ ｐ ｐ ｒｔ ｅ ｓ ａｔ ｇｖ ｂ ａ ｉｎ ｓｇ ａ ｐ ｏ ｅ ｓ ｇ ａ ａｙ ｉ ｔ ｄｅ ｈ ＮＣ ｍｕ ｔ ａ ｉ ｓ ｎ ｈ ｏ ｉｅ ， ｃ ｉｅ ｔ ｏ， ｎ ｔ ｓ ａ ｅ ｈ ｈ ｆ ｎ ｉ ｒ ｔ ｉｎ ｌ ｒ ｃ ｓ ｉ ｎ ｌｓｓ ｕ ｉ ｄ ｔ ｅ Ｃ ｌ — ｘ ｓ ｙ ｃ ｒｎ ｚ ｄ ｈ ｉ ｏ ｎ ，ｓ ｉ ｄ ｎ ｍｉ ｒ ｎ ｍｉ ｉｎ ｅｒ ｒｍｅ ｓ ｒ ｍｅ ｔ ａ ａ ｙ ｉ ａ ｄ ｔａ ｉ ｇ ｙ ａ ｃ ｔａ ｓ ｓ ｏ ｒｏ ａ ｕ ｅ ｎ ， ｎ ｌ ｓｓ ｎ ｒ ｃｎ ． ｓ
Ｂａ ｅ ｏ ｈｅ ｖ ｂｒ ｔｏ ｉ ｎａ ｏ ｅ ｓｎｇ ｔ ｃ ｓ ｄ ｎ ｔ ｉ ａ ｉ ｎ ｓｇ ｌｐｒ ｃ ｓ ｉ ｅ ｈｎｏ ｏ ｙ ｆ ｒ ｌ ｇ ｏ
ｔａ ｍ ｉｓｏ ｈａ ｎ ｅ ｒ ｒａ ｌｓｓ ｒ ｎｓ ｓｉ ｎ ｃ ｉ ｒ ｏ ｎａ ｙ ｉ
Ａ ｓ ａｔ ｎｔｉ ｐｐ ｒａｎ ｍ ｒ ａ ｃｎｒｌ ｃｉｅｔｏ ｄｉ ｙｔ ｓ ｈ ｓａ ｈｏｊｃ ａ ａ ｚｓｈ ｙａ ｉ ｂｔ ｃ：Ｉ ｓ ａ ｅ， ｕ ｅ ｃｌ ｏｔ ｈｎ ｌ ｒ ｅｓｓ ｍ ａ ｅｒ ｅｒ ｂｅｔ ｎ ｌ ｅ ｅｄ ｎｍ ｃ ｒ ｈ ｉ ｏ ｍａ ｏ ｖ ｅ ｔ ｅ ｃ ， ｙ ｔ
Ｋｅ ｙｗｏｒ ：ＣＮＣ ａ ｈ ｎ ｏ ｌ ； ｅ ｍ ａｉ ｙ ｔ ｍ ；ｒ ｎ ｍ ｉｓｏ ｒｏ ； ｙ ａ ｉ ｉ ｎ ｌｐｒｃ ｓ ｉ ｅ ｈｎ ｌｇ ｄｓ ｍ ｃ ｉ ｅ ｔｏ ｓ ｐｎ ｕ ｔｃ ｓ ｓｅ ｔａ ｓ ｓ ｉｎ ｅ ｒ ｒ ｄ ｎ ｍ ｃ ｓｇ ａ ｏ ｅ ｓｎｇ ｔｃ ｏｏ ｙ
Ｙａ ａ ｘ Ｔａ ｇ Ｗ ａ ｑ ａ ｇ ｈ Ｘｉ ｏ ｕ， ｎ ｎ ｉ ｎ
（ｉ ｎＥ ｅｔ ｎｃＥ ｇ ｅｒ ｇＲ ｓａｃ ｓ ｔｔ ，ｈ ａｘ Ｘ ｎ １ １０ Ｘ ｌ ｒ ｉ ｎ ｉ ｅｉ ｅｅｒｈＩ ｔｕｅ Ｓ ａｎ ｉ ｉ ７ ０ ０ ） ａ ｃｏ ｎ ｎ ｎｉ ａ
摘 要 ：以某 数控 机床 传 动 系统 为研 究对 象 ，分析 了该数 控机 床 传动 系统 的 动 态特性 。为进
一
步提高数控 系统的可靠性，文章对机床轴 系振动信号进行 处理分析 ，研究 了该数控机床的
多轴 同步性 、动 态传 动链误 差 的测量 、分析 与溯 源 。
关键 词 ：数控机 床 ；传动 系统 ；传动链 误 差 ；振动 信号 处理技 术
１ 磨 齿机 工作 原 理
加 工 原 理 为 成 形 法磨 削 、 即将 砂 轮 轴 截 面截
形 修 整 为 齿 轮 齿 槽 相 适应 的截 面 、进 行 成 形 磨 削 加工。
因此 ．Ｃ 的运 动精度 需 要严 格控 制 ，其 回转 误 差 轴 将 直接 导致 被加工 齿 轮 的周 向误差 。Ｃ 的传 动链 轴 如 图１ 所示 ：驱动 电机 的输 出连接 传动 比为５１ ：的高
３ 瞬 时传 动 误 差 分 析
瞬时 传 动 误 差 是 利 用 相 邻 两 个 采 样 点 的数 据
地 分 辨 累计 传 动 误 差 最 大值 、最小 值 、过 零 点 以 及 齿 形 缺 陷点 的角 度 位 置 ，为传 动 系统 修 整 和 补 偿 提供 依据 。
１２ ０４２ຫໍສະໝຸດ 被 测 轴 信 息 磨 齿 机床 Ｃ 是一 个 圆形 工作 台 。主要用 于 承 轴 载被 加 工齿 轮 并完 成齿 轮 磨 削过程 中的分 度 运动 。
收 稿 日期 ：０１ — ４ ｌ ２ ２０ 一１
技 术 应 用
角 的变 化 情 况 。累 计 传 动 误差 可 以用 于检 测 传 动 误 差 的周 期 性 波 动 ，通 过参 考 相触 发 采 样 ，可 以 将 测 量 转 角 与 机 床 坐 标 中的 角 位移 相 对 应 ，便 于