基于扭振信号的行星齿轮箱故障诊断

行星齿轮箱具有传动比大、传动效率高等优点,但比定轴齿轮有更复杂的结构,因常工作在恶劣的条件下,容易出现磨损或疲劳裂纹等故障。为有效诊断行星齿轮传动故障,本文采用基于扭振信号的故障诊断方法,并利用增量式编码器采集扭振信号。通过与横向振动信号相比,发现扭振信号频谱结构简单、对故障特征更加敏感。通过对行星轮故障实验扭振信号的分析,故障下的故障特征频率幅值有2倍的提升。角速度形式的扭振信号能准确诊断故障,为行星齿轮箱故障诊断提供了简明有效的途径。     

基于Hilbert-Huang 变换的齿轮故障诊断研究

提出一种基于Hilbert-Huang变换的齿轮磨损故障诊断的新方法。介绍Hilbert-Huang变换的基本原理,并将Hil-bert-Huang变换应用于齿轮箱中齿轮磨损故障诊断,通过选取表征齿轮磨损故障的固有模式函数进行边际谱和能量谱分析,可提取齿轮故障振动信号的特征。齿轮故障实验结果表明,应用这种分析方法,能够有效地诊断齿轮的磨损故障。     

基于深度自编码网络与模糊推理相结合的矿用齿轮箱故障诊断方法

提出一种基于深度自编码网络与模糊推理相结合的矿用齿轮箱故障诊断方法。通过对完整齿轮、裂齿齿轮和缺齿齿轮3种齿轮工作状态的声信号进行小波分析并建立特征数据库,构建深度自编码网络与模糊推理系统相结合的诊断系统,实现了齿轮故障诊断与辨识。实验结果表明:这种基于声信号的故障诊断方法能够有效检测矿用齿轮箱的运行状况;与传统神经网络诊断方法以及奇异值分解诊断方法相比,该诊断方法对故障状态的辨识准确度分别提高了3.8%和8%。与传统基于振动信号的故障诊断方法相比,基于声信号的诊断方法对故障状态的辨识准确度无明显差别。表明深度自编码网络模糊推理系统同样适用于基于振动信号的矿用齿轮箱的故障特征提取与分析。     

基于特征信息融合的离散小波SVM齿轮故障诊断方法研究

针对齿轮振动信号故障特征微弱及故障样本不足,提出基于特征信息融合的小波-SVM(支持向量机)故障诊断方法,用于多类齿轮故障诊断。该方法采用离散小波变换对齿轮的振动信号进行处理来构造特征向量,将多路信号融合后输入到SVM的多故障分类器中进行故障识别。实验结果表明:该方法能够在训练样本数量少的情况下,快速获得良好的分类结果,且其故障诊断准确率在96.67%以上;峰值和峰值因子对齿轮故障最敏感,以峰值或峰值因子为特征量的多传感器信息融合,其诊断准确率达95%。该方法更适合于实际齿轮故障诊断应用,并为多类齿轮故障快速诊断的进一步创新研究提供了理论基础。     

基于倒谱分析的齿轮箱齿轮点蚀故障诊断研究

齿轮箱是各种机械设备上重要的传动部件,齿轮故障诊断对设备的长期安全运行起着至关重要的作用。阐述了近年来国内外齿轮传动系统故障特征提取和模式识别方法的研究现状;介绍了倒频谱分析的原理及其在齿轮箱诊断中的优点;在对齿轮箱的振动信号进行幅值谱、功率谱分析的基础上,利用倒谱分析诊断出齿轮箱中的点蚀故障,并确定点蚀故障所在的齿轮,证明了倒谱分析的有效性和可行性。     

BP神经网络齿轮故障诊断的仿真

齿轮传动工况的复杂性使得它的故障形式与特征的关系呈非线性的映射关系.故障信号的能量所引起的变化会淹没在常规振动与噪声之中.用传统的信号处理方法不易提取故障特征,给齿轮的故障诊断带来很大困难.构造了基于BP神经网络的故障诊断系统能用于齿轮的故障诊断.仿真结果表明该方法可以成功地用于齿轮常见故障的识别和诊断.     

齿轮传动系统齿根裂纹早期故障识别

建立齿轮系统动力学模型,分析不同深度的齿根裂纹齿轮系统的振动响应和裂纹的故障特征,采用经验模式分解EMD(Empirical Mode Decomposition)方法与频域分析对齿轮早期裂纹故障实验中振动加速度传感器获取的齿轮箱振动信号进行分析。用EMD方法分别将0 mm、2 mm、4 mm的齿轮齿根裂纹故障信号分解为本征模式IMF(intrinsic mode function),对各IMF分量进行频域分析并与仿真信号对比。结果表明:仿真结果可清晰得到齿轮早期裂纹故障的特征频率,通过频谱分析,齿轮裂纹故障其对啮合频率的幅值影响不大,但随裂纹深度增加,啮合频率及其倍频附近的边频带幅值增加;与实验信号进行对比,现象均符合裂纹故障特征。由此可以看出EMD方法可以有效的实现齿轮裂纹早期故障的识别。     

基于熵权重和灰色关联度的多级变速器故障诊断

针对多级行星齿轮变速器故障诊断问题,提出了一种基于灰色关联度和熵权重的行星齿轮变速器故障诊断方法;通过对多级行星齿轮的振动测试信号进行各级啮合故障频率n倍频计算灰色关联系数,运用熵权法确定各级啮合故障频率n倍频幅值客观权重,通过计算加权关联度进行故障判断;然后分析第一阶故障主频边频进一步分析故障部件;通过实验研究对方法有效性进行了验证。试验结果显示,该方法可用于多级行星齿轮系统故障的识别,还可以进一步分析耦合故障特性。研究对于进行多级行星齿轮变速器故障诊断、确定检修顺序、制定合理维修决策等方面具有加强的工程意义。     

解调方法在齿轮故障诊断中的应用

大量的研究结果和统计资料表明,当齿轮失效时,齿轮啮合振动信号中将会出现幅值调制和相位调制现象,调制信号和齿轮的故障有直接关系。怎样从啮合振动信号中把调制信息提取出来,是齿轮故障诊断方法中的关键步骤之一。本文介绍了几种提取调制信息的解调方法,并通过实例验证了算法的正确性。     

基于主成分分析的多域特征融合轴承故障诊断

针对复杂工况下难以区分轴承故障状态的问题,提出一种基于主成分分析的多域特征融合轴承故障诊断方法。采集轴承振动加速度信号,提取轴承时域新量纲一化特征、频域幅值谱特征和时频域经验模态分解特征共13维特征用于完整表征轴承状态;利用主成分分析方法对所提取特征融合与降维,降低诊断模型复杂度与数据分析难度;最后,选择合适的卷积神经网络进行分类,通过石化机组故障诊断实验平台进行验证。结果表明：多域融合特征相对于单域特征诊断效果更好,卷积神经网络分类模型相对于其他经典分类模型诊断准确率更高,融合诊断分类方法整体诊断准确率达到86%。     

变转速变载荷工况下的齿轮智能故障诊断北大核心

针对变转速变载荷工况下的齿轮故障检测、识别和分类问题,提出一种基于最大重叠离散小波包变换和人工神经网络的智能故障诊断新方法。研究自相关谱峭度图中的最大重叠离散小波包变换,并采用它将复杂的齿轮故障振动信号分解为频带和称为节点的中心频率。推导出每个节点的平方包络的自相关,以便计算每个节点在每个分解层次上的峭度,减少了非周期性脉冲和噪声的影响。将上一步得到的特征矩阵作为径向基函数神经网络的输入,从而实现齿轮状态的自动分类。并在变转速变载荷(16种)工况下对健康状态和5种不同类型齿轮故障的齿轮箱进行了具体测试分析。结果表明:该方法可以更好地提取特征信息,为齿轮故障诊断定位合适的解调频带,提高了所有工况下齿轮故障诊断的准确率。     

基于LabVIEW的齿轮调制故障检测系统设计

针对齿轮故障振动信号的调制特点,设计了一种基于振动信号的齿轮状态检测分析系统,实现齿轮传动过程中异常状态的实时在线检测。以LabVIEW为开发平台,在开发齿轮状态监测各个程序模块的基础上,设计了基于Hilbert的包络解调分析模块。最后通过仿真和实验对齿轮故障的调制振动信号进行了解调分析,分析结果表明,基于包络解调分析模块的齿轮检测系统可准确地对齿轮故障的类型和位置进行识别。     

EMD分解与多特征融合的齿轮故障诊断方法

为解决齿轮振动信号在现实中难以获取大量典型故障样本和分类的精确度低的问题,提出基于EMD分解与多特征融合的齿轮故障诊断方法。首先,提取反映信号特征的各项参数指标作为特征向量;其次,利用经验模式分解(EMD)对原始信号进行分解,进而提取分解后各本征模式分量(IMF)的能量指标组成特征向量;然后,将其与信号特征各项参数融合成特征向量组合,并将其作为SVM多故障分类器的训练样本进行训练,实现齿轮的智能诊断。通过实验室轴承的故障诊断研究表明:该方法对于齿轮的各种状态具有很好的分类精确度,更加有效地识别齿轮故障类型。     

谱峭度和Vold-kalman阶比跟踪在风电机组齿轮箱故障诊断中的应用

针对风电机组齿轮箱在时变工况下的振动信号具有非平稳特性,提出一种谱峭度和Vold-kalman阶比跟踪(Vold-Kalman Filter Based Order Tracking,VKF-OT)相结合的故障特征提取方法。以转频和啮合频率作为VKF-OT的提取频率,获得随转速变化的阶比信号,通过阶比信号复包络直接求两种频率分量的幅值、相位,经实验分析这种方法能保留齿轮箱的瞬变信息。而后计算两种频率分量的谱峭度,以最大谱峭度对应的频率带能量与原阶比信号总能量之比作为故障特征,最后采用高斯混合模型对风电机组齿轮箱在不同工况下的150组振动信号进行特征描述,运用最大贝叶斯分类器实现故障识别。故障识别率表明该方法可有效地识别任意时变工况下的齿轮早期局部微弱故障。     

基于小波包能量分布特征的齿轮故障诊断方法研究

齿轮的裂纹故障不仅影响机械系统的整体性能,还会导致机器损坏,因此,研究了齿轮裂纹长度的故障诊断方法。以多传感振动信号为研究对象,将小波包各个频段的能量比系数作为齿轮裂纹的故障特征,并通过改进的神经网络模型进行特征分类,实现齿轮裂纹长度的故障诊断。研究结果表明:所提出的故障诊断方法识别率高(97.5%),通用性好,能有效辨识不同工况下的齿轮故障。     

基于混沌特征分析的齿轮故障诊断

对某型齿轮使用中的故障数据进行了混沌特征分析,对齿轮振动信号进行了相空间重构,计算了故障前后齿轮振动信号的相关积分.研究表明,随着齿轮振动信号的逐渐增强,也就是发生齿轮故障征兆时,相关积分逐渐降低,相关积分可以有效地进行齿轮的故障先兆检测和故障诊断.     

初始齿面点缺陷斜齿轮磨损模式演变与状态评估

为了探究如大型风电齿轮初始缺陷存在下的摩擦磨损机制与演变历程,避免齿轮发生开放式磨损和重大故障,对初始齿面点缺陷下的斜齿轮磨损特征与演变过程进行研究。实验采用控制变量法,在自制齿轮磨损实验台上分别进行了3组不同工况条件下的磨损实验,分别设置了正常齿轮与缺陷齿轮、低载工况与重载工况条件的对比实验。采用振动监测和油液检测技术,对齿轮箱振动情况以及齿轮产生的磨粒进行统计分析,结合轮齿表面的微观形貌分析,对重载工况下缺陷齿轮磨损衰退过程进行准确评估。结果表明：初始缺陷将导致齿轮表面应力集中且数值高达数倍,而初始圆坑缺陷附近却无异常磨损特征;初始圆坑缺陷会缩短齿轮稳定磨损期,削减齿轮使用寿命,磨损后期导致磨损加剧、振幅增加数倍且伴随较大冲击载荷。     

基于VMD能量熵和HMM的行星齿轮箱故障识别方法

针对行星齿轮箱振动信号成分复杂、非平稳、非线性的特点,提出一种基于变分模态分解(VMD)能量熵和隐马尔科夫模型(HMM)的故障识别方法。利用VMD算法对不同故障类型的齿轮振动信号进行分解,提取经信号分解得到的各阶本征模态函数(IMF)的能量熵。基于不同故障类型的各IMF分量能量熵在分布上的各异性,将其集合作为故障识别的特征向量。利用不同故障类型的特征向量组成的训练集训练HMM,计算最大对数似然概率值,用于判断测试样本的故障类型。利用该方法对一定转速下行星轮的3种故障进行识别,结果表明：当载荷不同时,它对行星轮齿根裂纹、断齿和齿面磨损3种故障的平均识别率可达到95.83%