风电齿轮箱故障诊断实例分析

介绍了以齿轮箱振动分析为主要手段的风电齿轮箱故障诊断方法,并通过齿面接触磨损分析和齿轮箱润滑油液分析等辅助手段,对风电齿轮箱的故障点进行分析诊断。并以某风电厂某台风力发电机组的齿轮箱故障诊断为例,对风电齿轮箱故障诊断方法进行实例分析。     

基于LMS的齿轮箱试验模态分析

为了更好地分析传动齿轮箱动态特性从而优化齿轮箱的结构,应用LMS测试分析系统对JZQ-250型齿轮箱进行建模,采用最小二乘复频域法对齿轮箱各阶模态进行参数识别;并利用得到的齿轮箱的各阶模态振型,分析齿轮箱的结构特征及动力学特征。     

基于ANSYS的俯仰齿轮箱应力及模态特性分析

结合起重机俯仰机构齿轮箱实际工况,基于有限元理论,利用ANSYS对优化设计的俯仰齿轮箱进行应力分析和模态分析。通过应力计算得出齿轮箱的等效应力和位移变化值,并与许用屈服强度和许用弯曲变形进行比较分析。通过模态计算得出齿轮箱的固有频率和振型,并分析其振动特性。计算结果为提高齿轮箱强度,减轻齿轮箱质量和减少振动噪声提供了一定的理论依据。     

基于有限元方法的齿轮箱动态响应分析

运用结构有限元法对某齿轮箱进行数值仿真分析。建立齿轮箱三维有限元模型,基于分块Lancozs完成齿轮箱模态分析,提取其固有频率及振型,分析齿轮啮合动态激励,完成齿轮箱频率响应分析,得到了振动速度、振动位移及振动加速度,分析了动态响应规律,这为后期齿轮箱结构优化及降噪提供理论依据。     

风力发电机故障模拟试验台装置研制

分析并设计了一种新型的风力发电机齿轮箱故障模拟试验台,可以灵活地模拟多种结构类型的风力发电机齿轮箱振动状况,并能方便地对故障进行多种组合模拟。同时采用变频电机和飞轮结构用于模拟实际风机齿轮箱的转矩输入与角速度输入,与实际风况更加接近。通过配置数据采集分析系统,用来对齿轮箱的振动状况进行监测分析。依据正交试验法模拟齿轮故障、轴承故障等实验,对风力发电机齿轮箱故障进行分析研究。     

基于振动信号分析的齿轮箱故障诊断

对齿轮箱故障的主要特征和频率特点进行了介绍,对齿轮箱的主要组成部件齿轮、轴承、轴和箱体各自的主要故障形式和振动信号特征进行了分析,最后在建立齿轮箱故障档案的基础上分别在时域和频域对振动信号进行分析,为齿轮箱故障诊断向着智能化方向发展打下基础。     

基于灵敏度分析的某齿轮箱动力修改

为改善齿轮箱的振动特性,提出基于动态灵敏度分析的齿轮箱结构动力修改.通过对某船用齿轮箱进行灵敏度分析,讨论结构参数的变化对其振动模态影响,该方法和结论可以为齿轮箱动力修改提供参考.     

基于整机运转状态的齿轮箱故障诊断

在对机床进行故障诊断过程中,对齿轮箱的检测至关重要.综合分析齿轮箱的振动频谱可以快速、准确地确定故障产生的原因以及故障位置.对北方工业大学数控中心的XK5025型数控立式降台铣床齿轮箱进行振动频谱分析后,判定该机床齿轮箱的大齿带轮出现严重磨损是齿轮箱产生异常振动的主要原因,此外,各齿轮轴以及齿轮之间啮合的松动故障也是齿轮箱异常振动重要原因.     

海上平台起重机齿轮箱零部件失效形式分析及对策

以国内海上平台起重机齿轮箱维修改造为研究对象,从齿轮箱的工作原理各主要零部件的失效机理入手,分析国内外齿轮箱维修研究现状和维修中主要存在的问题,采用机械加工工艺、互换性测量技术等理论方法对起重机齿轮箱主要零部件失效形式进行阐述,以掌握齿轮箱维修技术核心为目标,最终确立齿轮箱维修技术方案及标准,为齿轮箱维修改造提供科学依据和实现途径,在此基础上为齿轮箱进行升级优化、改造提供可靠性保证.     

齿轮箱故障的振动机理与故障特征研究

介绍了齿轮箱监测技术,包括齿轮箱故障诊断技术的发展状况和目前存在的问题、分析了齿轮箱故障发生的振动机理及故障特征,可以通过信号的特征信息对设备故障进行准确判断,并对典型的故障进行分类,最后针对齿轮箱振动信号给出详细的时域和频域分析,为基于网络的齿轮箱远程故障诊断系统研究打好基础。     

小波分析在齿轮箱故障诊断中的应用

对齿轮箱故障特点和诊断方法进行了分析，介绍了小波分析方法，并以小波分析在信号分析和信号消噪处理中的应用为例，体现小波分析比传统分析方法的优越性，是故障诊断的一种有效方法。     

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。     

基于主成分分析的齿轮箱故障特征融合分析

为有效降低齿轮箱故障特征的维数并提高诊断准确率,提出了基于主成分分析法的齿轮箱故障特征融合方法,并结合支持向量机和BP神经网络对诊断的准确率进行了分析。以齿轮箱中不同裂纹齿轮为对象,选取能够表征齿轮箱故障状态的时域、频域和基于希尔伯特变换的36个特征,提取累积贡献率达到95%以上的主成分并输入支持向量机分类器中进行分类识别,用BP神经网络分类器进行结果的比较分析。结果表明,采用主成分分析法与支持向量机相结合的方法,既能降低特征维数,降低计算的复杂性,又能有效地表征齿轮箱的运行状态,识别不同裂纹水平的齿轮,比单独使用支持向量机分类器的方法诊断准确率更高,训练时间更短。     

基于非平稳时间序列双标度指数特征的齿轮箱故障诊断

齿轮箱振动信号是含噪的多分量非平稳信号,故障模式相近的复杂齿轮箱振动信号的分类是齿轮箱故障诊断的难点。采用去趋势波动分析(Detrended fluctuation analysis,DFA)方法分析齿轮箱振动信号的标度行为,随着时间尺度的增大,标度指数会突然发生改变,形成双标度指数特征,由双标度指数构成的二维矢量具有明确的物理意义,可以作为表征时间序列内部动力学机制的特征参数。提出一种基于非平稳时间序列双标度指数特征的齿轮箱故障诊断方法,对正常状态和含有轻度磨损、中度磨损和断齿故障的齿轮箱故障诊断的结果表明,提出的方法成功地解决了故障模式相近的复杂齿轮箱振动信号的分类问题,很好地克服了傅里叶变换、小波变换和基于单标度指数的方法存在的缺陷,为齿轮箱的故障诊断提供了一种新的方法。     

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。     

东风4型内燃机车启动变速箱故障诊断标准的研究

本文在大量的振动信号测量、频谱分析以及分解检查基础上，对东风４型内燃机车启动变速箱故障诊断标准进行了定量研究，从而为该机车启动变速箱故障诊断仪的研制提供了依据。     

基于卷积神经网络的时频图像识别研究

变速器作为汽车动力传递系统中的关键部件,其振动和噪声直接影响着汽车的性能。由发动机输入到变速器的转速很多情况下是变化的,这使得这种工况下的变速器故障诊断更加复杂。针对这个问题,提出了基于卷积神经网络（convolutional neural network,CNN）的变速器变转速工况下的故障分类识别方法:在变转速下,采集了变速箱多种故障状态下的振动信号,对各类信号进行时频变换得到时频矩阵,并利用CNN实现多类故障的分类。并研究了CNN结合不同时频方法时的识别性能,结果表明,连续小波变换(continuous wavelet transform,CWT)与CNN结合的方法对变转速下的时频图识别性能最好。     

基于量子计算的独立分量分析算法及应用

将量子优化原理应用于独立分量分析中,提出了量子独立分量分析算法(quantum independent component analysis,简称QICA),针对3组特定信号进行了混合与分离的仿真实验,得到了较好的分离效果。将该算法用于齿轮箱振动信号的源分离及其故障诊断中,实验结果表明,该算法用于齿轮箱振动信号分离可以明显增强故障信息,降低齿轮箱故障诊断难度。     

Blind vibration component separation and nonlinear feature extraction applied to the nonstationary vibration signals for the gearbox multi-fault diagnosis

Fault diagnosis of gearboxes, especially the gears and bearings, is of great importance to the long-term safe operation. An unexpected damage on the gearbox may break the whole transmission line down. It is therefore crucial for engineers and researchers to monitor the health condition of the gearbox in a timely manner to eliminate the impending faults. However, useful fault detection information is often submerged in heavy background noise. Thereby, a new fault detection method for gearboxes using the blind source separation (BSS) and nonlinear feature extraction techniques is presented in this paper. The nonstationary vibration signals were analyzed to reveal the operation state of the gearbox. The kernel independent component analysis (KICA) algorithm was used hereby as the BSS approach for the mixed observation signals of the gearbox vibration to discover the characteristic vibration source associated with the gearbox faults. Then the wavelet packet transform (WPT) and empirical mode decomposition (EMD) nonlinear analysis methods were employed to deal with the nonstationary vibrations to extract the original fault feature vector. Moreover, the locally linear embedding (LLE) algorithm was performed as the nonlinear feature reduction technique to attain distinct features from the feature vector. Lastly, the fuzzy k-nearest neighbor (FKNN) was applied to the fault pattern identification of the gearbox. Two case studies were carried out to evaluate the effectiveness of the proposed diagnostic approach. One is for the gear fault diagnosis, and the other is to diagnose the rolling bearing faults of the gearbox. The nonstationary vibration data was acquired from the gear and rolling bearing fault test-beds, respectively. The experimental test results show that sensitive fault features can be extracted after the KICA processing, and the proposed diagnostic system is effective for the multi-fault diagnosis of the gears and rolling bearings. In addition, the proposed method can achieve higher performance than that without KICA processing with respect to the classification rate.     

基于改进阶次分析与自适应VMD的变转速齿轮箱故障诊断研究

变转速齿轮箱由于工况复杂导致转频不稳定,齿轮箱的微弱故障信号可能会被掩盖在强噪声中,不能直接应用传统的时频分析方法,为故障特征的提取增加一定的难度。针对变转速信号的处理,传统的计算阶次分析方式(COT)很好地解决了变转速齿轮箱的故障特征难以提取出来的问题,但由于传统COT中所使用的重采样方法是基于样条插值法的,无法根据转频选取转频,导致重采样间隔并不均匀;提出了改进的阶次分析方法,根据采样的各点角速度依次进行重采样,提高了阶次分析的精度。同时,变转速齿轮箱因动力传递复杂,导致变转速齿轮箱噪声更加严重。变分模态分解(VMD)常被被用来去除复杂信号噪声,提取被掩盖在强噪声中的微弱故障信号。提出了自适应VMD使用能量法,确定分解层数后对分量进行指标化选取,使去噪的效果得到进一步提升。通过对实验信号分析,使用此方法进行验证。结果表明,此方法能有效转换变转速齿轮箱信号为阶次信号并对故障进行识别。