轧机齿轮箱异常振动分析及故障诊断

从齿轮啮合的力学模型入手，简述了齿轮故障诊断原理，并利用频谱分析的方法对轧机齿轮箱的异常振动进行了故障诊断，找到了齿轮箱异常振动的原因，并与实际情况基本一致。     

轧机齿轮箱异常振动分析及故障诊断

本文从齿轮啮合的力学模型入手,简述了齿轮故障诊断原理,并利用频谱分析的方法对轧机齿轮箱的异常振动进行故障诊断,找到了齿轮箱异常振动的原因,与实际情况基本一致。     

频谱分析法在齿轮箱故障诊断中的应用

基于齿轮箱振动及调制边频带形成机理的分析，提出用谱平均及倒频谱分析相结合的方法，对监测系统的输出信号进行频域分析，诊断齿轮箱故障，并分析其产生原因。实例及分析结果验证了该方法可迅速、准确地对齿轮箱进行故障诊断。     

浮动式齿圈行星齿轮箱齿轮故障振动频谱模型

齿轮箱振动信号频谱结构的深入研究,对齿轮箱的故障诊断有很大帮助。但是到目前为止,还没有对齿圈浮动的行星齿轮箱频谱结构的相关研究。针对浮动式齿圈行星齿轮箱传动结构的特点,研究了振动信号传递路径对频谱结构的影响,得到了浮动式齿圈行星齿轮箱齿轮故障振动信号的频谱模型。利用包络谱对故障信号的幅值调制进行分析,简化了故障诊断工作。最后,运用所提频谱模型进行了故障诊断试验,准确发现了变速箱中的故障。     

应用振动测试分析诊断XA6132铣床故障

为保证机床的机械运转状态达到规定振动指标,应对机床进行振动测定。通过频谱分析对振动信号进行分析、提取和判断,找出故障位置和产生的原因,给出解决办法,并根据机床运转状况制定维护措施。以XA6132铣床为对象进行实例分析,结果表明,理论分析与实测结果相吻合。     

基于信号模型与阶次分析的风力发电机组齿轮箱故障诊断

针对传统的频谱分析方法在非平稳工况下导致的"频谱模糊"现象,利用信号模型和阶次分析的方法对风电机组齿轮箱进行了故障诊断研究。建立了非平稳工况下齿轮箱高速级的振动信号模型,推导了其时频谱及阶次谱结构,利用阶次分析的方法分析了振动信号的阶次谱,提取了齿轮故障特征。最后,利用真实风场齿轮箱振动数据进行分析,对齿轮箱故障进行了准确识别。     

考虑传递路径效应的行星齿轮箱断齿故障仿真研究

断齿是行星齿轮箱常见的一种故障形式。当行星齿轮箱发生断齿故障时,传感器采集到的振动信号由于传递路径的影响会变得复杂,给故障诊断带来困难。为了研究行星齿轮箱发生断齿故障时传递路径对频谱结构的影响,在Adams仿真平台中分别建立行星齿轮箱无故障、太阳轮断齿故障、行星轮断齿故障及齿圈断齿故障的刚柔耦合模型并进行仿真,提取分析了系统不同状态下箱体的振动仿真信号。结果表明,在时域波形中,路径的变化会对箱体固定位置测量点处的振动信号产生明显的调幅作用;在频谱图中,啮合频率的两侧也会产生由不同频率组合的边带成分。该研究可为后续行星齿轮箱的故障诊断提供依据和参考。     

齿轮箱异常振动的诊断

通过对齿轮箱定期监测,发现了早期异常振动现象。根据振动理论,对异常振动进行时域、频谱分析,初步找到异常振动的原因,为针对性维修提供了依据。     

某核电海水循环泵齿轮箱振动分析

齿轮的边频带,通常作为齿轮故障诊断的重要依据,针对某核电海水循环泵齿轮箱首次满载振动偏高,基于边频带理论对齿轮箱振动频谱进行了分析,分析结果表明该齿轮箱振动频谱符合无故障行星齿轮组的典型特征,可以排除齿轮箱局部故障的可能,该齿轮箱满足长期稳定运行的要求。     

采煤机摇臂齿轮箱故障诊断探析

摇臂齿轮箱作为采煤机的重要组成构件,由于受到多方因素的影响,极易出现各种类型的故障,严重制约了采煤机的正常使用。基于此,主要从采煤机摇臂齿轮箱结构分析入手,探究采煤机摇臂齿轮箱故障常用的诊断方法,利用振动分析法对齿轮箱的异常振动故障原因进行分析,并针对性地提出了降低采煤机摇臂齿轮箱故障的相关措施,以供借鉴。     

基于多重分形与SVM的齿轮箱故障诊断研究

针对齿轮箱振动信号的非平稳性和非线性,提出一种多重分形和支持向量机相结合的故障诊断方法。运用多重分形理论方法对齿轮振动信号进行分析,通过分析发现多重分形谱和广义维数作为故障特征能够很好地反映齿轮箱的工作状态;对支持向量机的参数利用粒子群优化算法进行优化,并将齿轮箱振动信号的多重分形特征量作为支持向量机的输入参数以识别齿轮的故障类型。实验结果表明,该方法在样本较小的情况下能够准确对齿轮箱的故障类型进行分类。     

一种基于EMD与多特征支持向量机(SVM)故障诊断方法

针对齿轮箱故障振动信号的不平稳非线性冲击行为,本文提出了一种基于经验模态分解的特征值提取及多特征支持向量机的智能诊断方法。在电机频率分别取30 Hz、35 Hz、40 Hz;载荷分别取0 N∙M、15 N∙M、30 N∙M;采样频率为1500 Hz条件下,进行齿轮正常状态、齿面磨损和齿轮裂痕故障模拟实验。试验结果表明:该创新方法在有限样本数据分析中可以准确、有效地对齿轮箱的工作状态和故障类型进行分类,且支持向量机在故障诊断中使用方便,可以提高诊断的精确性,在齿轮箱故障诊断或类似振动信号的检测应用中具有很强的实用性。     

基于小波包近似熵和SVM的圆柱滚子轴承诊断

为了解决特种车辆变速箱圆柱滚子轴承由于振动信号的非线性、非平稳特征较为微弱,提取的特征量数值不明显且现实中难以获得大量含丰富特征的典型故障样本而难以对其进行准确诊断的问题,应用小波包近似熵和支持向量机对特种车辆变速箱圆柱滚子轴承进行诊断。首先,在自行搭建的模拟实验台上采集某型特种车辆变速箱圆柱滚子轴承正常、外圈磨损、滚动体故障、点蚀和压痕4种典型状态的振动信号;然后,分别提取4种典型状态振动信号的小波包近似熵值作为支持向量机的输入,根据支持向量机的输出结果来确定圆柱滚子轴承是否发生故障和故障类型。结果表明,该方法能有效对某型特种车辆变速箱圆柱滚子轴承的典型状态进行诊断,为其他相似变速箱圆柱滚子轴承的故障诊断提供一种参考途径,具有一定的工程实用价值。     

基于自适应时变滤波阶比跟踪的齿轮箱故障诊断

针对多输入多输出齿轮箱传动系统和齿轮箱集群的振动信号中各啮合频率阶次相互干扰,从而导致故障诊断困难的问题,研究提出一种基于自适应时变滤波阶比跟踪的齿轮箱故障诊断方法。该方法利用基于多尺度线调频基稀疏信号分解提取各对传动齿轮的啮合频率,以各啮合频率为中心频率,对应转频的倍频为滤波带宽分别设计自适应时变滤波器对信号进行滤波,逐个提取振动信号中的啮合频率调制分量,再分别对提取的啮合频率调制分量单独进行阶比分析,有效地抑制其他无关联轴上齿轮啮合振动信号和其他非阶比噪声信号对阶比谱的影响,较好地解决阶比信号相互干扰的问题,提高阶比谱的调制识别效果,为多输入多输出齿轮箱系统和齿轮箱集群的故障诊断提供一条有效途径。仿真算例和应用实例说明方法的有效性。     

Gear fault detection and diagnosis under speed-up condition based on order cepstrum and radial basis function neural network

Varying speed machinery condition detection and fault diagnosis are more difficult due to non-stationary machine dynamics and vibration. Therefore, most conventional signal processing methods based on time invariant carried out in constant time interval are frequently unable to provide meaningful results. In this paper, a study is presented to apply order cepstrum and radial basis function (RBF) artificial neural network (ANN) for gear fault detection during speedup process. This method combines computed order tracking, cepstrum analysis with ANN. First, the vibration signal during speed-up process of the gearbox is sampled at constant time increments and then is re-sampled at constant angle increments. Second, the re-sampled signals are processed by cepstrum analysis. The order cepstrum with normal, wear and crack fault are processed for feature extracting. In the end, the extracted features are used as inputs to RBF for recognition. The RBF is trained with a subset of the experimental data for known machine conditions. The ANN is tested by using the remaining set of data. The procedure is illustrated with the experimental vibration data of a gearbox. The results show the effectiveness of order cepstrum and RBF in detection and diagnosis of the gear condition.     

一种基于支持向量机的齿轮箱故障诊断方法

提出了一种基于多分类支持向量机(简称MSVM)的齿轮箱故障诊断方法。先根据齿轮箱故障机理和振动特点,探讨了齿轮箱故障诊断试验方案。再测取齿轮箱振动信号,并提取了能反映齿轮箱运转信息的时频域特征参数。通过结合投票法和决策树的基本思想,有针对性地构造了多分类支持向量机决策结构并将其应用于齿轮箱故障诊断。实际齿轮箱故障诊断试验结果表明,该决策结构较好地解决了小样本学习问题,避免了人工神经网络进行诊断时出现的过学习、收敛速度慢、泛化能力弱等缺点,能有效应用于齿轮箱故障诊断。     

基于高阶累积量的齿轮箱故障诊断研究

当齿轮箱发生故障时，实际测得的齿轮振动信号一般是非平稳和非高斯分布的信号，不同故障状态下的振动信号具有不同的高斯性和对称性，通常包含较强的噪声。高阶累积量具有对加性高斯噪声和对称非高斯噪声不敏感的特性，可以应用在齿轮箱的故障诊断中。短时分析方法可以在低信噪比情况下提取周期性冲击故障信号特征。在对振动信号进行短时分析的基础上，计算原始信号及其短时能量函数的高阶累积量。从高阶累积量提取的特征可有效地将正常状态、中度磨损状态、严重磨损状态和断齿状态的齿轮振动信号分离开来，这表明高阶累积量可定量地描述振动信号偏离正态分布的程度，采用样本分割后，还可以定量描述齿轮的磨损程度。     

基于能量增强的双斜式轴向柱塞泵滑靴磨损故障诊断方法

针对盾构机等大型设备用双斜式轴向柱塞泵故障诊断中滑靴磨损故障特征信号易被湮没的问题,提出了一种基于能量增强的双斜式轴向柱塞泵滑靴磨损故障诊断方法。首先,考虑到双斜式柱塞泵滑靴磨损会造成轴向、径向两个方向的振动,对发生滑靴磨损故障下的泵的力学特性进行分析,确定了敏感频率范围;其次,考虑到故障信号易被湮没,将轴向和径向的振动信号分别进行小波包分解,进而得到轴向和径向的振动信号的能量谱,并将轴向与径向敏感频率范围内的能量谱进行叠加,增强故障特征;最后基于试验数据进行验证,对比正常状态与滑靴故障状态下的能量谱,可以有效提高故障诊断的准确度。     

Gearbox fault diagnosis using adaptive redundant Lifting Scheme

Vibration signals acquired from a gearbox usually are complex, and it is difficult to detect the symptoms of an inherent fault in a gearbox. In this paper, an adaptive redundant lifting scheme for the fault diagnosis of gearboxes is developed. It adopts data-based optimisation algorithm to lock on to the dominant structure of the signal, and well reveal the transient components of the vibration signal in time domain. Both lifting scheme and adaptive redundant lifting scheme are applied to analyse the experimental signal from a gearbox with wear fault and the practical vibration signal from a large air compressor. The results confirm that adaptive redundant lifting scheme is quite effective in extracting impulse and modulation feature components from the complex background.     

基于改进多元多尺度色散熵的齿轮箱多通道振动信号故障诊断

齿轮箱发生故障时,其振动信号具有不平稳和非线性等特征,而常用的齿轮箱故障诊断方法大多是建立在单通道振动信号分析基础上,容易造成故障信息丢失,故而在工业生产中实用性受限。为了克服此缺陷,将多元多尺度色散熵引入到齿轮箱故障诊断当中,并改进其粗粒化方式,提出了改进多元多尺度色散熵,用以提取齿轮箱多通道振动信号的故障信息。在此基础上,提出一种基于集合经验模态分解,改进多元多尺度色散熵和遗传算法优化支持向量机的齿轮箱故障诊断方法。通过实验数据分析,并与多元多尺度样本熵、多元多尺度模糊熵等现有方法相比较,证明该方法具有更高的准确率和稳定性,且在处理短时间序列时具有明显优势。