基于EEMD对称差分能量谱的行星齿轮箱故障诊断

为了准确地获得故障特征频率在行星齿轮箱复杂频率中的耦合情况,提出了基于集合经验模态(EEMD)和对称差分能量算子相结合的故障诊断方法。搭建了针对行星齿轮箱齿面磨损实验台,获得了行星齿轮箱全生命周期的实验数据。利用该方法分析了行星齿轮箱故障数据,得到了行星轮故障特征频率在啮合频率和倍频处的耦合规律,实现了行星轮齿轮箱的故障诊断。     

基于VMD能量熵和HMM的行星齿轮箱故障识别方法

针对行星齿轮箱振动信号成分复杂、非平稳、非线性的特点，提出一种基于变分模态分解(VMD)能量熵和隐马尔科夫模型(HMM)的故障识别方法。利用VMD算法对不同故障类型的齿轮振动信号进行分解，提取经信号分解得到的各阶本征模态函数(IMF)的能量熵。基于不同故障类型的各IMF分量能量熵在分布上的各异性，将其集合作为故障识别的特征向量。利用不同故障类型的特征向量组成的训练集训练HMM，计算最大对数似然概率值，用于判断测试样本的故障类型。利用该方法对一定转速下行星轮的3种故障进行识别，结果表明：当载荷不同时，它对行星轮齿根裂纹、断齿和齿面磨损3种故障的平均识别率可达到95.83%     

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。     

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。     

改进的精细复合多尺度反向加权排列熵在齿轮箱故障诊断中的应用北大核心

针对多尺度加权排列熵(MWPE)的粗粒化处理易造成信息丢失,无法全面提取齿轮箱故障信息的缺陷,提出了基于改进的精细复合多尺度反向加权排列熵(IRCMRWPE)和支持向量机(SVM)的齿轮箱故障诊断方法。引入精细复合多尺度反向加权排列熵,将其粗粒化处理中的平均值替换为最小值来表征数据段信息,以缓解传统粗粒化处理的不足并强化故障特征的质量;将IRCMRWPE作为表征齿轮箱故障状态的特征向量,使用SVM分类器对故障特征进行识别。基于齿轮箱实验数据对所提方法进行了评估,结果表明该方法可准确地识别齿轮箱的不同故障型,相比于基于MRWPE、MRPE和MWPE的方法,能够更有效的提取齿轮箱的故障特征,增强故障识别的可靠性。     

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。     

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。     

考虑磨损的3z-Ⅱ型行星轮系传动误差特性研究

传动误差作为行星齿轮传动重要的性能参数之一，反映了工作时的精度问题，而长时间工作造成的齿面磨损会影响传动精度。针对该问题，以3z-Ⅱ型行星传动为研究对象，考虑齿轮固有误差以及各零件的安装误差建立整个传动系统的传动误差模型，并利用概率分析及蒙特卡罗方法进行模拟计算，得到接近实际的理论传动误差模型。基于Archard磨损模型，结合赫兹接触模型，建立齿轮的磨损模型。得到各个齿轮的齿面磨损深度，将各个齿轮的磨损深度等效为齿廓误差，建立基于齿面磨损的传动误差模型。对两个模型的仿真结果对比分析，考虑磨损时，整个传动系统的传动误差有所增加，传动误差集中在-0.42′～3.75′,平均值为1.71′;相比无磨损时，正向传动误差增大，负值降低。     

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。     

鼓形齿联轴器供油不足引起的振动问题处理

针对某高速行星齿轮箱在出厂试验时出现振动异常的现象,通过对试验台架中各旋转部套进行故障排查,发现该高速齿轮箱输入端的鼓形齿联轴器可能存在供油不足的问题。改变该处鼓形齿联轴器的供油结构,增大供油量后,齿轮箱振动异常现象消失。该研究会为后续该类故障的处理提供有效的工程参考。     

基于排列熵和CHMM的齿轮故障诊断

针对齿轮故障特征提取和状态识别困难的问题,提出一种基于排列熵和连续隐马尔可夫模型(CHMM)的齿轮故障诊断方法。首先对提取的目标齿轮啮合信号作降噪处理,再采用排列熵算法进行分析,提取排列熵均值、方均根、最大值、最小值作为特征量输入到CHMM中训练和识别,通过对比最大对数似然概率值来确定齿轮的故障。最后在变速箱齿轮故障模拟试验台上,对正常、轻微磨损、严重磨损和断齿4种齿轮状态进行试验验证,结果表明该方法能有效地对齿轮故障进行诊断。     

基于SVMD和自适应MOMEDA的齿轮箱故障诊断

受背景噪声和传输路径的影响，故障信号往往被淹没，故障特征难以提取。基于此，提出一种连续变分模态分解(SVMD)和自适应MOMEDA相结合的故障诊断方法，通过SVMD前处理得到重构信号，然后以平均谱负熵为适应函数，通过人工鱼群优化算法自适应选择MOMEDA的最优参数。利用所得参数对重构信号进行MOMEDA滤波，最后进行包络谱分析，做出故障类型诊断。将所提方法应用于齿轮箱主动轮断齿故障的仿真信号和实验信号中，在包络频谱中可以清楚地分辨出小齿轮转频及其倍频， 同时所提方法相对其他方法具有更好的表现效果。     

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。     

基于H-P滤波与VMD的行星齿轮箱故障诊断

针对故障行星齿轮箱的扭振信号具有非稳定、非线性的特点,提出基于H-P滤波与变分模态分解（Variational Mode Decomposition,VMD）相结合的行星齿轮故障时域特征分离方法。H-P滤波基于竞争性趋势估计算法,能保存扭振信号中的分段线性特征。滤波后的信号内容丰富,VMD能将这些内容分解在不同的模态分量中,故障冲击特征突出。通过分析不同负载下的扭振信号,证实该方法能够提取周期脉冲,诊断出行星齿轮故障。对于实际工程应用中的复杂信号,该方法提供了有效解决途径,具有一定的工程应用价值。