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。     

基于小波变换的齿轮箱故障诊断

时域同步平均(Time Synchronous Averaging,TSA)信号只包含齿轮啮合频率信号和倍频信号,若齿轮出现故障,会使TSA信号得到某种程度的调制.文章将连续小波变换应用于齿轮箱振动采样的TSA信号,检测和分析齿轮箱的轮齿缺陷,设计并制作齿轮箱故障诊断试验台,通过齿轮全运行周期啮合试验,利用LABVIEW虚拟仪器采集系统采集振动信号,然后利用MATLAB编写相应的程序,绘制出所需信号的波形图,对所采集的数据文件进行信号分析处理,以达到齿轮箱故障诊断的目的,并验证了小波变换对齿轮故障诊断的有效性.     

MW级风机齿轮箱故障模拟实验台设计

齿轮箱是风力发电机的核心组件,设计一种可对齿轮箱故障进行模拟分析的试验台,对后期风电机组的运行状态检测及齿轮箱故障诊断有着深远的意义。分析风机齿轮箱试验台国内外现状,根据MW级风机实际参数进行缩放并计算出试验台所需参数,采用变频器控制电机调速以及采用机械飞轮结构模拟真实风机转矩输入以及角速度输入,实现风机动态特性的模拟。     

新型齿轮箱信号分析与故障诊断系统

介绍了一种新型齿轮箱信号分析与故障诊断系统,该系统以“三谱二时域”综合诊断法为基础,并将共振解调技术应用于齿轮箱故障诊断中。     

基于LSTM-SVM的风电机组齿轮箱故障诊断

针对风电机组齿轮箱的故障诊断中特征提取过分依赖人为经验和准确率不高的问题,提出一种基于长短时记忆网络(LSTM)与支持向量机(SVM)相结合的方法。对原始时域振动信号作傅里叶变换,利用LSTM神经网络自适应智能提取特征的优势,结合SVM的分类功能,实现对风电机组齿轮箱更加准确的故障诊断。仿真结果显示,该网络模型在经过16轮训练后准确率可以达到100%,使用测试集数据准确率也可以达到99.1%。     

基于KPCA和优化ELM的齿轮箱故障诊断

针对齿轮箱的故障表征不明显且传统分类方法精度低等问题,提出一种基于核主成分分析(KPCA)特征提取和蚁群算法优化极限学习机神经网络(ACA-ELM)分类识别相结合的齿轮箱故障诊断方法。首先,从齿轮箱的原始信号中提取时域与频域特征构成特征矩阵,利用KPCA方法降低维度,剔除冗余信息,提取有效的特征指标;其次,利用蚁群算法(Ant Colony Algorithm, ACA)对极限学习机(Extreme Learning Machine, ELM)的网络初始权值与偏置进行优化,得到最优权值与偏置组合;最后,利用ACA-ELM进行齿轮箱故障诊断实验,同时与ELM、BP、ACA-BP、GA-ELM模型对比。实验结果表明,该方法进行故障诊断的准确率可以达到98.3%,能够有效地进行齿轮箱故障诊断。     

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。     

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.     

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。     

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SCADA数据协同的风力机故障检测与控制

为了在不停机的前提下,安全可靠地对齿轮箱进行故障检测,并实现风力发电机在齿轮箱故障工况下的容错控制运行,提出一种基于标准数据采集与监视控制(SCADA)数据协同的风力机故障检测与控制方案。介绍了风力发电机的系统模型与SCADA解决方案框架,通过回归建模、异常分析和集成学习对风力发电机系统进行故障检测并获得健康指标;借助模糊逻辑控制对风力发电机的输出功率进行降额控制,从而实现风力发电机在齿轮箱故障工况下的容错控制运行,最后进行仿真实验,并将仿真结果与一个实际运行的2 MW风力发电机系统进行对比。实验结果表明：该故障检测与容错控制方案可以有效地对齿轮箱进行故障检测,并在存在故障时适当对风力发电机的输出功率进行降额控制,从而降低叶片和塔架承受的应力,并有效降低了齿轮箱轴承和润滑油的温度。     

风力发电齿轮箱安全运行的远程监控

基于对风力发电齿轮箱安全运行状况的分析和总结．,开发了一套完整的风力发电齿轮箱安全运行远程监控系统。该系统从齿轮箱的振动分析、温度采集、烟雾探测以及环境视频监控四个方面对其机械结构损伤、温度异常、现场烟雾以及环境异常进行实时监控。并且通过远程数据传输方式将数据发往后台监控服务器,达到实时监控报警的目的。该系统对齿轮箱的安全运行、故障预警和剩余寿命评估具有重要意义。     

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。     

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     

风电齿轮箱高速轴多支承轴系耦合振动研究

风电齿轮箱高速轴轴承的振动是造成风电机组安全隐患的重要因素,而轴系的耦合作用会对轴承振动产生重要影响。以某750 kW风电齿轮箱高速轴多支撑轴系为研究对象,基于中心差分法提出一种用于分析多支承轴系耦合振动的建模方法,并通过MATLAB进行了模拟计算。结果表明：耦合模型比非耦合模型轴承振动幅度小;不同轴承的接触力不同,且载荷作用点越靠近轴承接触力越大;当载荷作用点在靠近单轴承的一侧时,会出现接触力远大于另一侧的双轴承的情况。     

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。