LMD和支持向量机相结合的齿轮毂故障诊断方法

局部均值分解(LMD)作为一种新的自适应时频分析方法,在故障诊断领域展现了良好的应用前景。根据某型航空发动机减速器一级齿轮毂出现裂纹故障时其振动信号会产生调制现象的特点,提出了基于LMD和支持向量机(SVM)的某型航空发动机减速器一级齿轮毂裂纹故障诊断方法。对某型航空发动机进行振动测试获取其振动样本数据,利用LMD提取故障样本数据的故障特征信息、构造特征向量,并将其作为SVM的输入特征参数,成功建立了针对目标故障的故障诊断模型。对一级齿轮毂工作状态的分析结果表明了该方法的有效性。     

基于EMD解调的齿轮裂纹早期故障诊断研究

齿轮轮齿发生早期裂纹时,裂纹故障信号十分微弱。为了有效提取早期裂纹故障特征,文中提出基于经验模式分解(empirical mode decomposition,EMD)的早期故障诊断方法。该方法首先去除振动信号中的啮合基频及其谐波成分,得到残余信号,然后针对残余信号进行基于EMD解调分析和处理。仿真及工程实例分析结果表明,所提方法能成功地将齿轮早期裂纹故障信息从复杂的振动中提取出来,更有利于及早发现故障,并判断故障的严重程度。     

基于三相交流异步电机定子电流信号分析的机电传动系统齿轮箱裂纹故障非侵入式诊断

齿轮裂纹故障是机电传动系统的高发故障,及时发现裂纹故障对保证机电传动系统正常工作意义重大。提出了一种基于三相交流异步电机定子电流信号的齿轮裂纹故障非侵入式诊断方法。首先,建立电机-齿轮-负载机电耦合模型,利用势能法计算不同裂纹深度和角度下齿轮变啮合刚度;然后,利用Runge-Kutta法对机电耦合模型进行数值求解,分析时变啮合刚度影响下电机电流动态响应。通过对比健康齿轮和裂纹故障齿轮的定子电流频谱,揭示齿轮裂纹故障对应的电流频谱特征,建立基于电机电流信号分析的传动系统齿轮裂纹故障诊断判据。对存在裂纹故障的齿轮进行电机拖动实验,齿轮裂纹故障影响下的电机电流信号与数值求解结果一致。所提出的基于电机电流信号的齿轮裂纹故障非侵入式诊断方法对于降低传动系统维护成本具有较高价值。     

基于线调频小波路径追踪阶比能量解调的齿轮轮齿裂纹故障诊断

针对变速下齿轮裂纹故障信号微弱,难以提取这一特点,提出了基于线调频小波路径追踪的阶比能量解调算法,并将其应用于变速下的齿轮裂纹故障诊断。该方法先采用线调频小波路径追踪算法提取齿轮的啮合频率分量,由此得到转速信号;然后利用转速信号对原始信号进行等角度采样得到角域平稳信号;接着对角域平稳信号进行带通滤波和角域平均运算以消除干扰噪声的影响;最后使用能量算子解调求取瞬时频率和瞬时幅值,根据瞬时频率和瞬时幅值进行故障诊断。应用实例表明,该方法能有效地提取变速下的齿轮裂纹故障。     

变载荷激励下齿轮传动系统齿根裂纹故障动力学特性分析

根据齿轮裂纹会引起齿轮系统的时变啮合刚度变化这一特性,建立了含齿根裂纹故障单级齿轮传动系统的四自由度动力学模型,对裂纹故障的非线性动力学机理进行了研究。采用变步长的四阶龙格—库塔法对齿轮裂纹故障进行仿真分析,运用时频分析方法研究了裂纹信号特征,为齿轮裂纹故障诊断提供了理论支持。在此基础上,分析了齿轮裂纹在变载荷激励下的动力学特性。分析表明:在变载荷激励下,齿轮振动波形图与变载荷激励变化趋势极其相似,裂纹的存在引起波形图上出现冲击现象并且啮合频率及其倍频附近出现边频带,边频带为故障齿轮的转频;变载荷激励下,低频的边频成分明显只与外载荷激励有关,与齿轮故障无关。     

利用时序模型参数指标的齿轮故障诊断研究

对齿轮故障诊断方法进行研究,针对齿轮箱早期故障特征不明显,研究一种时序模型参数指标的诊断方法.利用齿轮故障模拟实验台采集了齿轮正常、早期裂纹与磨损的振动信号,应用时序AR模型将参数指标作为判据,实现了此三种故障模式的分类和诊断.结果表明,时序模型参数指标诊断法,对于故障的分类和检测是一种有效的诊断方法.     

风机行星齿轮系统齿轮裂纹故障诊断

针对风力发电机实际行星齿轮系统,由于幅值及相位调制现象(各种制造误差不可避免等原因所导致)带来的故障诊断难题,搭建了含各种制造误差的动力学模型。模型考虑了出现裂纹故障以后,故障对时变啮合刚度以及传递误差的影响,通过数值求解,对比行星轮、太阳轮以及齿圈出现故障后与正常齿轮系统的包络谱结构特性,总结了故障特征频率。在风力发电机齿轮箱实验台上进行裂纹故障试验验证,结果表明所总结的故障特征频率可以作为风力发电机裂纹故障诊断及定位的依据。     

含故障的齿轮系统非线性动力学特性分析

综合考虑轻微磨损故障和裂纹故障等因素,建立含故障的直齿轮副的非线性动力学模型,并利用4～5阶变步长Runge-Kutta法对含故障的直齿轮模型的动力学方程进行数值求解;得到了单级齿轮系统在无故障、轻微磨损故障和裂纹故障状态下系统的分岔图、相图和Poincaré映射图;研究了齿轮系统在无故障和故障时的动力学行为,研究结果为齿轮系统的故障诊断、动态设计和安全运行等提供了理论参考。     

基于噪声辅助局部波动特征分解的齿轮裂纹故障定量诊断方法

将齿轮故障机理研究与故障诊断方法相结合,提出了一种新的基于噪声辅助局部波动特征分解的齿轮裂纹定量诊断方法。首先,建立了带裂纹齿轮系统动力学模型,获得不同裂纹程度下的动力学响应,从中提取对故障敏感而与工况无关的特征参数构成特征向量矩阵,输入到支持向量回归机中,建立了特征参数与齿轮裂纹程度之间的映射关系。然后,通过这种映射关系,对实际的齿轮裂纹信号采用噪声辅助LOD方法进行特征提取,实现了齿轮裂纹的定量诊断。     

风电齿轮箱轮齿裂纹故障建模与仿真研究

为了理清1.5MW风电齿轮箱传动系统轮齿裂纹的故障动力学特性,在建立风电齿轮箱传动系统的三维实体模型的基础上,利用ADAMS动力学仿真软件分别研究了中间级齿轮和高速级齿轮的单一裂纹故障以及裂纹耦合故障对高速级齿轮位置的影响。中间级齿轮裂纹故障对于高速级齿轮的影响在频域中表现为:低频段不明显,在高速级啮合频率附近有较强的边频带;高速级齿轮裂纹故障时,在中间级啮合频率、2倍中间级啮合频率和高速级啮合频率都有比较明显的边频带;耦合故障时在高频尤其是在高速级啮合频率附近有更强的边频带。该研究结果可以为风电齿轮箱故障诊断和维护提供理论依据。     

Hilbert-Huang变换在齿轮裂纹故障诊断中的应用

提出一种基于Hilbert-Huang变换的齿轮裂纹故障诊断的新方法。Hilbert-Huang变换是先把时间序列信号,用经验模态分解方法分解成不同特征时间尺度的固有模态函数,然后经过Hilbert变换获得信号时频分布的一种信号处理新方法,将Hilbert-Huang变换应用于齿轮箱中齿轮故障诊断的研究。齿轮故障实验信号的研究结果表明,Hilbert-Huang变换时频分析方法能有效诊断齿轮的齿根裂纹故障。     

基于LCD基本尺度熵的齿轮故障RVM识别

针对齿轮故障振动信号非线性、非平稳性等特点,以及其故障特征提取较为困难的实际,提出了基于LCD基本尺度熵的齿轮故障特征提取方法。该方法利用局部特征尺度分解(LCD)对齿轮振动信号进行自适应分解,获取原始信号不同尺度分量;根据基本尺度熵能有效区分不同故障信号的复杂度,计算LCD分解所得内禀尺度分量(ISC)基本尺度熵,获得原始信号多个尺度的复杂度特征作为齿轮不同故障下的特征参数;将该特征参数输入相关向量机(RVM)分类器中判断齿轮故障,实现故障诊断。齿轮故障诊断实验结果表明,所提方法能够有效地识别齿轮的典型故障,相比其他一些方法,具有一定的优势。     

基于多维度特征表征与SVM的齿轮故障诊断

针对旋转机械中齿轮故障诊断问题,为尽可能提高故障诊断准确性,提出了一种基于多维度特征表征与支持向量机(SVM)的齿轮故障诊断方法。首先,从不同维度分别使用小波包、单一能量、变分模态分解以及集合经验模态分解四种特征提取方法提取齿轮振动信号的特征;其次,将提取的特征信息按照一定的方式进行特征融合表征;最后,采用SVM分类方法对齿轮的运行状态(正常状态,轻微故障,中等故障,断齿故障)进行评估,从而实现齿轮故障诊断。通过多组特征融合表征研究分析表明,多维度融合的特征表征较单一维度特征信息更能够有效地反映齿轮运行状态,有助于进一步提高齿轮故障诊断准确率。     

基于分布适配层和软标签学习的齿轮故障诊断

基于卷积神经网络的齿轮智能识别算法能有效地识别齿轮故障,但卷积神经网络需要大量的已标注训练数据,制约了卷积神经网络在齿轮故障诊断上的应用。针对该问题,提出了基于分布适配层和软标签学习的齿轮故障诊断方法。采用卷积神经网络提取特征和软标签;通过分布适配层提取分布差异,软标签学习生成软标签损失;以分布差异、软标签损失与分类损失生成的联合损失为目标函数,训练模型并进行目标域故障诊断。采用齿轮振动信号验证了提出方法,结果表明,提出方法能准确有效地分类齿轮故障数据。     

基于信号共振稀疏分解与包络谱的齿轮故障诊断

当齿轮出现断齿、裂纹等局部故障时,其振动信号会出现周期性冲击脉冲。在齿轮故障早期,由于冲击脉冲微弱,常淹没在齿轮的啮合频率、转频等谐波成分以及噪声中,因此,对于齿轮早期故障,直接对齿轮振动信号做包络谱分析以诊断齿轮局部故障通常效果不佳。针对这一问题,将信号共振稀疏分解方法与包络谱分析相结合,提出了基于信号共振稀疏分解与包络谱的齿轮故障诊断方法。该方法采用信号共振稀疏分解将冲击脉冲从齿轮振动信号中分离出来,然后对冲击脉冲做Hilbert包络分析,获取冲击脉冲出现的周期,进而对齿轮状态和故障进行识别。仿真算例和应用实例证明了该方法的有效性。     

基于传动误差法的齿轮故障诊断技术研究

针对齿轮传动系统在复杂工况下轮齿齿面故障的精确诊断困难的问题,提出了基于传动误差法的齿轮故障诊断方法。齿轮轮齿的不同故障将引起系统瞬时传动比发生突变,从而影响齿轮传动系统传动误差的变化。基于传动误差法的齿轮故障诊断方法,通过测量和分析齿轮传动系统的传动误差信号,实现齿轮轮齿凸、凹两类故障的诊断。实验结果表明,该方法对轮齿故障敏感,能够有效地诊断出齿轮传动系统中齿轮存在的凸、凹两类故障。     

基于小波分析和修正指数分布的齿轮故障诊断方法

提出了基于小波分析和修正指数分布(modifiedexponentialdistribution,MED)的齿轮故障诊断方法,该方法采用小波包将齿轮振动信号分解为若干个频率段,然后选择合适的频率段进行小波包重构,对重构后的信号进行MED分析,得到齿轮振动信号的小波包时-频分布,进而从中提取齿轮振动信号故障的故障特征.对具有裂纹的齿轮振动信号分析结果表明了基于小波分析和MED的齿轮故障诊断方法的有效性.     

基于两类特征和最小二乘支持向量机的齿轮故障诊断方法

针对齿轮振动信号非线性非平稳特性,为避免传统"时-频"分析方法在表征设备状态时的不足和样本数量少易造成故障辨识模型"欠学习"的问题,提出一种基于峭度、本征模式分量(Intrinsic mode function,IMF)能量两类特征和最小二乘支持向量机(Least squares support vector machine,LS-SVM)的齿轮故障诊断方法。首先,对所测齿轮振动信号在集合经验模式分解(Ensemble empirical mode decomposition,EEMD)的基础上提取有效IMF分量计算其能量特征和峭度值,据此构建时频域两类特征向量;其次,将融合后的齿轮正常、齿根裂纹、断齿3种状态下的时频域两类特征向量作为输入,基于LS-SVM建立齿轮故障诊断模型,进行齿轮故障识别。实验结果表明,该方法能够准确地识别齿轮的工作状态,与基于BP、SVM的故障诊断模型相比,其具有更高的识别率,为齿轮状态识别和故障诊断提供了一种新途径。     

基于形态小波去噪的齿轮故障诊断

针对在强背景噪声情况下,齿轮故障信号信噪分离难,给故障诊断带来麻烦的问题,提出了一种基于形态小波去噪的齿轮故障诊断方法。方法结合了数学形态学的特征识别和小波分解的多分辨率分析特性,先采用形态小波方法对齿轮的振动信号进行消噪预处理,再计算信号的时频谱和功率谱,提取故障特征。给出了形态小波方法在齿轮故障诊断中的应用原理、方法步骤和评价指标。仿真和实验结果表明,方法可以有效地去除强噪声的干扰,提高信噪比,突现出信号的故障特征,提高了齿轮故障诊断的精度。     

齿轮故障状态下风电机组传动系统动力学建模及分析

针对齿轮故障造成的风电机组传动系统输出响应不稳定问题,对故障状态下的传动系统动态性能进行了研究。通过考虑斜齿轮时变啮合刚度和齿轮裂纹等因素的影响作用,分别建立正常状态和齿轮故障状态下的传动系统动力学模型,对比分析了两种状态下系统的输出响应。结果显示,齿轮故障状态下,输出啮合力、扭转振动位移和扭转振动速度均相对较大,且呈现出不规则的变化趋势,在某些仿真时间点处出现较大的冲击振动。研究结果可为风电机组传动系统故障诊断及早期故障预测提供理论参考。