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。     

基于双谱特征的行星齿轮箱故障诊断方法

为了研究行星齿轮箱齿面磨损全生命周期实验的退化过程,使用了可以抑制高斯噪声和对信号中产生的频率耦合进行解耦的双谱方法去进行故障特征提取,提出了两个基于双谱的特征指标,双谱熵以及非高斯强度,并通过特征指标评价方法去检验其指标性能。结果表明基于双谱熵具有良好的指标性能,而且对于行星齿轮箱齿面磨损的早期微弱故障十分敏感,适用于行星齿轮箱齿面磨损的故障诊断。     

石化齿轮箱振动信号高价值量纲一化特征提取方法研究

石化齿轮箱故障信号特征之间呈现模糊性和耦合性,正常状态与异常状态之间相互影响,导致故障分类难。为解决此问题,提出一种石化齿轮箱振动信号高价值量纲一化特征提取方法。运用数据预处理方法,从采集的数据中抽取有效数据,对其进行量纲一化指标表示,再依据量纲一化指标分布规律提取高价值量纲一化特征。为保证样本的完备性,建立高价值量纲一化特征的增容模型。利用该方法能够准确提取石化齿轮箱实验机组轴承故障特征,可为石化齿轮箱特征提取提供参考。     

基于CEEMD-MPE和ELM的齿轮箱故障诊断研究

考虑到齿轮箱振动信号存在非平稳性和非线性等特点导致故障特征提取困难的问题,提出了一种基于互补集合经验模态分解(CEEMD)和多尺度排列熵(MPE)相结合的故障特征提取方法。首先对齿轮箱振动信号进行互补集合经验模态分解,并根据相关系数原则对各模态分量进行筛选,再利用多尺度排列熵对筛选出的模态分量进行特征提取;最后将提取出的故障特征输入到极限学习机(ELM)中进行分类识别,并与传统的径向基(RBF)神经网络进行对比,实验结果表明:采用CEEMD和MPE相结合的办法能够有效提取齿轮箱振动信号的故障特征,极限学习机能够准确、快速地进行齿轮箱故障识别。     

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。     

基于MCKD与小波包熵的齿轮箱轴承微弱故障信号提取

针对齿轮箱轴承故障信号含有大量噪声而特征难以提取的问题。文章提出一种基于MCKD(最大相关峭度解卷积)和小波包熵值相结合的齿轮箱微弱故障信号提取方法。首先根据MCKD对故障信号进行降噪,突出信号中的有效冲击成分。然后进行小波包分解得到包含故障特征成分的末层节点信号,并以互相关系数-小波包熵值为准则对最后一层节点信号进行筛选并获取敏感节点信号,最后通过对敏感节点信号进行重构从而获得降噪后的轴承故障信号。实验结果表明该方法能够很好的滤除信号中的噪声并且准确地提取故障信号中的冲击成分,是对齿轮箱微弱故障特征提取的一种新方法。     

高阶谱分析技术在轴承故障信号特征提取中的应用

对高阶谱方法用于滚动轴承故障特征提取进行了研究,针对滚动轴承振动信号的非线性、频谱成分多样性和二次相位耦合性等特点,分别采用高阶谱中的双谱技术和功率谱技术分析、处理和提取轴承状态的故障信息.利用高阶统计量方法做出了滚动轴承典型故障信号的三维双谱图、二维等高线图.通过与功率谱图的对比分析,结果表明:高阶谱在非线性系统的信号处理和故障特征提取方面,尤其针对滚动轴承初期故障信号的特征提取和诊断来说,具有功率谱无可比拟的优越性.试验分析结果为进一步的滚动轴承故障模式识别和诊断学习提供了可靠的特征样本.     

基于特征差异性学习卷积神经网络的齿轮箱故障诊断方法

针对齿轮箱故障诊断需要大量专家经验知识、人工提取特征困难的问题，提出基于特征差异性学习卷积神经网络(FDLCNN)的故障诊断方法。构建不同深度的多尺度网络，并引入残差模块，以提升网络的特征提取能力；提取一维时序信号中不同尺度不同深度的故障特征，再通过自适应平均池化层处理后进行特征融合，以丰富智能诊断决策信息；最后在全连接层实现特征降维，使用Softmax分类器输出诊断结果。利用10种齿轮箱故障状态实验数据与现有3种方法进行对比分析，结果表明：FDLCNN故障识别精度更高，鲁棒性更强，收敛速度更快。     

基于改进VMD-SVD降噪的齿轮箱故障特征提取

强噪声背景下的齿轮箱振动信号故障特征提取困难,变分模态分解(VMD)和奇异值分解(SVD)都是有效的降噪方法,将两种方法结合起来有更好的降噪效果。但是若噪声非常强,甚至淹没了部分有用信息,传统的VMD-SVD联合降噪就会将部分有用信息与噪声一起滤掉。在传统的VMD-SVD联合降噪的基础上,提出了改进VMD-SVD的降噪方法。在变分模态分解嵌入奇异值分解,利用奇异值分解对每个IMF分量进行处理,再将处理后的模态分量线性叠加,完成降噪过程。通过仿真验证证明了该方法能够有效地降低噪声信号,通过对实测齿轮箱断齿信号的处理分析,证明了该方法能够在极强的噪声背景中有效地保留有用信号、降低噪声信号,更有利于齿轮箱故障特征提取。     

风力发电机齿轮箱高故障率原因的研究及改进措施

风能是利用最广泛的清洁能源,随着对新能源的不断开发利用,风力发电机的装机容量不断提高,然而却出现了风机故障率较高的问题,通过对风力发电机故障诊断研究现状进行分析,发现在风力发电机各部位故障中齿轮箱是故障率最高的部位,并且风力发电机齿轮箱故障率明显高于普通齿轮箱,以典型风力发电机齿轮箱为研究对象,通过仿真分析与研究,研究了风力发电机齿轮箱故障高发的作用机制及根本原因,在结构上提出了相应的改进措施,并对改进后结构的有效性进行了验证,为风力发电机齿轮箱的设计及运行提供了重要的参考。     

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。     

一种基于幅值调制比率的风电机组齿轮箱失效自动识别方法

风电机组状态监测部位多,数据分析工作量大,人工故障识别的方式使得风电机组状态监测报告滞后。本研究提出一种基于幅值调制比率的风电机组齿轮箱失效自动识别方法,针对风电机组转速不平稳的特点首先对齿轮箱振动加速度信号进行时频分析得到机组的瞬时转速,然后进行阶比处理将等时间间隔信号序列重采样转换成等角度间隔信号序列,频域变换后选择一倍啮合频率和两倍啮合频率幅值较大值,计算调制间隔为转频的多频率点幅值累加和,再将与较大啮合频率处的幅值调制比率作为特征值表征齿轮箱的失效状态。恒速和变速风电机组齿轮箱振动数据分析结果都表明该特征值具有良好的故障与正常状态区分能力,且不同转速下该特征值具有稳定性。     

变负载下的特征提取与基于CHMM算法的齿轮故障诊断

为了对变负载工况下齿轮故障特征进行有效的提取,提出了基于ARX模型的特征提取方法,并用利用连续隐Markov模型(CHMM)对齿轮的故障进行了识别。实例分析中,对正弦性变化负载的齿轮箱进行了全寿命实验,采用基于ARX模型的方法提取特征,输入到CHMM对故障进行了准确的识别,验证了该方法的有效性。     

基于VMD-FHT的风机齿轮箱故障特征提取方法

针对风电机组齿轮箱运行工况复杂、背景噪声大，难以提取其故障特征信息的问题，提出一种基于变分模态分解（VMD）和分数阶希尔伯特变换（FHT）的风电机组齿轮箱故障特征提取方法。利用VMD分解风机齿轮箱各个故障信号，并且定义一种分解品质因数以选取VMD的最优分解层数K；对经最优化VMD分解后的各模态分量进行分数阶Hilbert变换，计算各模态分量的边际谱并进行线性叠加；提取该边际谱的频域特征作为齿轮箱故障信号的特征量。实验结果表明，采用该方法能够准确地提取出风机齿轮箱的故障特征，并获得更优的故障识别效果     

基于混合特征和堆栈稀疏自编码器的齿轮箱故障诊断

针对复杂工况下齿轮箱多故障信号诊断准确率低的问题，提出了一种基于混合特征和堆栈稀疏自编码器的齿轮箱故障诊断方法。从微观信号特征角度提取奇异值特征和小波分解后的样本熵特征；从宏观角度提取故障信号时域特征，将3种特征进行融合，并输入到由稀疏自编码和Softmax堆栈得到的深度神经网络中进行特征优化和分类识别。实验结果表明：在2种不同工况下，对6种齿轮箱故障数据进行诊断均表现出较高分类识别精度，且所构建的分类模型综合性能上均高于文中其他对比模型，因此本文作者所提出的方法能有效地进行齿轮箱故障诊断。     

基于振动特征值的动车组齿轮箱故障检测

故障检测与状态评估对保障动车组齿轮箱的正常运行具有重要意义。通过对振动信号的特征提取方法与判定进行研究,对比不同故障模式与试验工况下的齿轮箱振动有效值、峰值、标准差、偏度、峭度等振动特征值差异。结果表明:动车组齿轮箱的故障模式直接影响振动特征值;有量纲振动特征值受运行转速影响较明显,运行转速越高,相应特征值变化越明显;无量纲振动特征值受轴承故障模拟形式的影响较大,与运行转速关系较小。综合对比各种故障状态下振动特征值的敏感度,有量纲特征值比无量纲特征值对故障更加敏感。     

基于SSA-VMD和2.5维谱的齿轮箱磨损故障诊断

针对行星齿轮箱实际工况中存在多种频率耦合无法直接提取故障特征频率的问题,提出一种基于樽海鞘群算法优化变分模态分解(SSA-VMD)结合2.5维谱的故障诊断方法。运用SSA优化VMD的参数;运用自相关系数对分解信号进行重构,降低噪声的干扰;最后运用2.5维谱对重构信号中的频率耦合进行解耦运算。搭建行星齿轮箱磨损故障全生命周期实验台采集振动信号,运用提出的方法解耦出参与耦合的故障频率成分,揭示了行星齿轮箱磨损故障演化规律。研究结果表明：随着磨损故障程度的加深,磨损故障特征频率明显增多。     

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...     

基于时间序列分析的行星齿轮箱故障诊断

齿轮箱运转的环境会导致信号采集时产生强大的噪声干扰,提出时间序列的方法对齿轮箱进行故障诊断。采用时间序列分析对行星齿轮箱进行谱分析,通过与传统频谱分析比较可以看出,该方法具有较好的识别能力。通过Labview虚拟仪器设计的数据采集系统进行数据的采集提取特征信号,确定模型阶次为5阶,最后利用AR模型参数算法来确定其正常状态下齿轮参数容差范围,在阶次不变的情况下分析出故障信号的模型参数,与正常信号参数容差范围进行对比,从而对齿轮箱故障进行诊断,该方法在齿轮诊断方面效果较为显著。