直升机动力传动系统故障诊断方法

为降低飞行事故,保证飞行安全性,对直升机动力传动系统进行故障诊断研究。分析行星齿轮振动机理以及信号分离方法,设计并制作行星齿轮箱故障诊断试验台,利用LABVIEW虚拟仪器采集系统采集振动信号,通过行星齿轮啮合试验,对所采集的数据文件进行信号处理,检测和分析行星齿轮箱的轮齿缺陷。结果表明:对从行星齿轮传动机构获得的振动数据进行信号时域平均,可实现对行星齿轮振动信号的充分分离,清晰地检测出故障所在,以达到直升机动力传动系统故障诊断的目的。     

基于经验模态分解法和Hilbert谱的齿轮箱故障诊断

将经验模态分解法(Empirical Mode Decomposition,简称EMD)和Hilbert谱引入到齿轮箱故障诊断,提出了一种新的齿轮箱故障诊断方法.通过运用该方法和连续小波变换分别对某齿轮箱齿轮齿根裂纹故障振动信号进行分析,结果表明,该方法能更有效地提取齿轮故障信息,提高了齿轮故障诊断的准确性.这种自适应的信号处理方法非常适合分析非线性、非平稳过程.     

基于小波分析的轧机齿轮箱故障诊断

轧机齿轮箱为轧钢生产线关键设备,其状态的好坏直接影响着轧线的生产和效益。本文简要介绍了小波变换理论,并通过对现场轧机齿轮箱振动信号的采集,采用谐波小波变换,对采集的振动信号进行处理和分析并与变换前的信号进行比对,诊断了现场轧机齿轮箱故障,对轧机齿轮箱状态进行了把握,真正实现了设备的状态管理。     

高斯线调频小波变换与齿轮故障边频带分析

提出了基于高斯线调频小波变换的功率谱齿轮故障诊断方法.利用高斯线调频小波变换对齿轮振动信号作了谱分析,进而对齿轮故障进行分析.对实验数据的分析结果表明:该方法优于经典的自功率谱估计和一般的小波分析方法对齿轮局部故障诊断;该方法可突出齿轮的边频带结构,适用于齿轮的局部故障诊断.     

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。     

HHT和Morlet小波变换在齿轮故障信息提取中的对比研究

文章描述了基于振动信号的Morlet小波变换和HHT(Hilbert-Huang变换)齿轮故障信息提取方法,并分别用来对四类齿轮进行故障信息提取,得到各状态齿轮振动信号的Morlet小波谱和Hilbert谱。实验研究表明:Morlet小波变换和HHT都可用于齿轮故障信息提取,但Hilbert谱分析比Morlet小波谱分析在时间和频率域都有较高的分辨率,且HHT比Morlet小波变换有更高的计算效率,更适用于故障信号微弱、振动信号数据量大的齿轮故障信息提取。     

基于短时傅里叶变换和深度卷积神经网络的直升机齿轮箱故障诊断方法

齿轮箱作为直升机重要的传动机构,其运转的可靠性对保障直升机系统安全具有重要的作用.针对传统信号处理需要大量专家经验来识别故障类型的不便性和复杂性,为了实现直升机齿轮箱故障诊断,本研究提出一种基于短时傅里叶变换和深度卷积神经网络的故障诊断方法.首先,将采集到的直升机齿轮箱振动信号利用短时傅里叶变换绘制时频图,以提取振动信...     

复解析小波变换在齿轮故障诊断中的应用

提出了一种基于复解析小波变换的相位诊断齿轮故障的方法。复解析小波变换将Hilbert变换与小波分析紧密结合在一起，具有自适应分析能力。利用复解析小波变换得到齿轮振动信号的相位，其功率谱图上可提取调制边频带结构来识别故障模式，试验结果表明这种方法可有效应用于齿轮局部故障诊断中。     

独立分量分析（ICA）在齿轮箱故障诊断系统中的应用

文章应用基于互信息最小化的独立分量分析算法(ICA算法),提出了一种用于齿轮箱故障诊断的信号预处理方法FASTICA,并应用确定性混合信号进行仿真验证.以JZQ200型号齿轮箱为例,应用FASTICA对采集的振动信号进行预处理,处理结果表明,经ICA分离后故障信息明显增强,故障诊断精度可以明显提高.     

基于最大相关峭度反褶积法的行星齿轮故障诊断

针对行星轮系结构复杂,故障信号特征提取困难,提出使用扭振信号对行星齿轮箱故障进行诊断。通过对行星齿轮箱横向振动信号与扭振信号的频谱分析发现,扭振信号相对于往复振动信号更适合行星轮系的故障诊断。针对扭振信号微弱,冲击特性不明显,提出基于最大相关峭度反褶积处理扭振信号。首先对采集的行星齿轮扭振信号先进行零均值化预处理,然后使用MCKD方法增强扭振信号的冲击特性。以故障冲击特性的峭度值作为选择FIR滤波器长度的选择依据,最终使得行星齿轮箱扭振信号的故障冲击特征得到显著提升。该方法对于扭振信号的降噪与提高周期故障冲击特征有效,适用于行星齿轮箱扭振信号的故障诊断。     

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。     

基于正交匹配追踪算法的齿轮箱轴承故障诊断及实验验证

为了提高传动振动过程中齿轮箱轴承内外圈故障诊断能力，采用正交匹配追踪(OMP)算法建立了故障诊断模型，并开展仿真分析及实验验证。研究结果表明：通过OMP算法对轴承外圈故障仿真加噪信号进行处理，能够看到信号呈周期性波动，通过频率及其倍频呈现逐步衰减，故障特征明显；经过OMP算法处理的轴承内圈故障仿真纯净信号呈周期性波动，能够看到滚动轴承的故障，轴承内圈通过频率和倍频以及边频带呈现逐步衰减，故障特征明显。为了进一步验证OMP算法处理齿轮故障的有效性，搭建封闭式功率流齿轮箱试验台，OMP重构故障信号谱图中啮合频率360 Hz峰值较低，边频带被完全掩盖，不存在大量的干扰成分。经OMP算法处理过的故障信号的谱图能很好地体现故障特征。     

风电齿轮箱磨损故障建模与分析

为获得磨损故障状态下风电齿轮箱的传动特性,开展仿真实验研究。以MW级风电齿轮箱为研究对象,基于SolidWorks与ADAMS建立相应的虚拟样机,在合理设置仿真参数的基础上,进行健康和两种中间级行星轮磨损状态的动力学仿真。结果表明：通过监测风电齿轮箱高速级小齿轮的角加速度信号,可以判定中间级行星轮是否存在磨损故障;中间级行星轮磨损故障状态下,高速级小齿轮角加速度信号的故障频率幅值随着磨损程度的增大而增大,啮合频率的幅值随着磨损程度的增大而减小;高速级小齿轮角加速度信号的边带啮合频率幅值比可以作为中间级行星轮磨损故障的判别依据,通过该值可以监测磨损故障的变化趋势。     

基于细化谱和隐马尔科夫模型的齿轮故障分类方法

为了快速准确地对齿轮故障作出分类,结合隐马尔科夫模型（HMM）高效的模式分类能力,提出了基于细化谱（ZOOMFFT）和隐马尔科夫模型的故障分类方法。采用时域同步平均法从复杂信号中提取目标齿轮的啮合信号作为分析对象,对其进行细化谱分析,提取基频、倍频及其边频带幅值作为特征量输入到HMM中训练和识别,再通过对比对数似然概率值来确定齿轮故障类型。试验结果表明该方法可以有效地对齿轮故障进行分类。     

倒频谱法在齿轮箱故障诊断中的应用

基于LABVIEW的虚拟仪器平台建立数据采集系统,实现了对齿轮进行全生命周期实验过程中采集到大量振动信号数据,提出使用时域分析法（时域同步平均）与频域分析法（功率谱）相结合的信号处理方法对振动信号数据按齿轮可能出现的各种运行状态加以分类,从而有重点的应用倒频谱法对已经出现故障的齿轮箱振动信号进行分析,倒频谱的边频带频谱识别能力有助于研究啮合频率及边频特征,进而准确诊断出齿轮故障性质,并定位出故障齿轮。实验结果得到的齿轮各阶段运行状态数据在工程中很实用,具体涉及齿轮状态判断、故障阈值设定、故障识别及定位等用途。     

基于多传感数据融合的变速运行齿轮异常振动故障诊断

变速运行齿轮异常振动故障诊断性能过差会增加汽车维护成本,缩短齿轮使用寿命。为了及时识别齿轮故障,保证汽车变速器总成具有良好的振动特性,提出基于多传感数据融合的变速运行齿轮异常振动故障诊断方法。通过分析多传感器数据融合技术,掌握变速运行齿轮异常振动故障诊断的理论框架,并以此为基础,参考传感器融合模块、特征级并行多神经网络局部诊断模块和终端分类模块,结合变分模态分解、多通道加权融合和单隐层前馈神经网络训练算法,从信号采集、信号特征提取和信号特征分类3个步骤实现变速运行齿轮异常振动故障诊断。实验结果表明：在齿轮发生轻度磨损时,磨损振动信号的幅值在20~40 mV之间,磨损振动信号的频率在0~4 000 Hz区间;中度磨损时,信号的幅值在30~55 mV之间,信号频率在3 000~7 000 Hz区间;重度磨损时,信号幅值在50~70 mV之间,信号频率在6 000~12 000 Hz区间,且各阶段诊断结果均与故障程度的实际转折点吻合。由此可知在各样本数量均相同的情况下,提出的故障诊断方法预测值与真实值均相同,故障程度和故障类型的诊断性能均较好。     

风力发电机组齿轮箱故障监测与诊断

讨论齿轮故障机理及常用检测诊断方法,通过对某风力发电机组中齿轮箱振动监测数据的分析,判断出齿轮箱故障部位与类型,并提出相应的维修措施。