基于改进能量法的行星齿轮裂纹损伤研究

行星齿轮的裂纹损伤是其主要故障之一。以改进的能量法为理论基础,构建数学模型,对行星齿轮正常及裂纹齿的啮合刚度进行数值计算,得到其变化规律,获得裂纹啮合区的刚度突变程度;并通过有限元法对这一突变量进行仿真计算,得到理论与仿真的突变值存在约6%的误差。开展了故障模拟实验,分析了其振动信号的时-频域变化情况,给出其无量纲指标的变化情况,发现峭度指标对冲击信号特别敏感,变化量可达64.82%,该指标可以更明显地反映行星齿轮裂纹的损伤情况,验证了啮合刚度理论分析的结果。     

基于LMD样本熵与ELM的行星齿轮箱故障诊断

为了解决行星齿轮箱故障特征提取困难的问题,考虑到行星齿轮箱振动信号的耦合、非线性的特点,提出基于局域均值分解(LMD)的样本熵和极限学习机(ELM)结合的行星齿轮箱故障诊断方法。首先,利用局域均值分解方法将振动信号自适应地分解为多个PF分量,结合相关系数选取包含主要故障信息的前4个PF分量。其次,应用样本熵方法进行计算,组成特征向量。最后,将特征向量输入极限学习机进行故障分类。在行星齿轮箱实验台上进行了实验,与基于概率神经网络(PNN)分类算法进行了对比,并与基于奇异值分解(SVD)构成的特征向量进行了对比,结果验证了该方法的有效性。     

基于CEEMDAN样本熵与PNN的行星齿轮故障诊断

为对行星齿轮进行故障诊断，采用自适应噪声完备总体经验模态分解（CEEMDAN）方法对采集的信号进行分解。对分解得到的各IMF分量进行相关系数计算，优选出与原始信号相关性较大的前4阶分量进行样本熵计算，得到特征值，构成特征向量。将特征向量输入到概率神经网络系统中进行诊断，且与基于局域均值分解的样本熵特征提取方法的诊断结果进行对比。结果表明：利用CEEMDAN样本熵提取的特征值能更精准地反映系统的故障特性，故障诊断的正确率高。     

基于改进鱼群算法优化神经网络的轴承故障诊断研究

论述了一种改进的鱼群算法,利用其全局寻优能力优化BP神经网络的权值和阈值,形成一套基于改进鱼群算法优化神经网络的故障诊断方法(ADAFSA-BP)。通过试验采集和处理轴承故障信息,应用GA-BP,SFLA-BP和ADAFSA-BP对试验数据进行处理和对比分析,结果表明:ADAFSA-BP不仅加快了神经网络的收敛速度,而且在诊断精度上有了较大提高。     

基于ALNAFSA优化BP神经网络的行星齿轮箱故障诊断

以行星齿轮箱为研究对象,提出了一种新型故障诊断方法。介绍了一种改进的自适应局部邻域人工鱼群算法(ALNAFSA),用该算法优化BP神经网络,避免了BP出现局部极值。对行星齿轮箱进行了实验,提取出5种工况的样本熵并构成特征向量,将其输入到ALNAFSA-BP模型中进行分类识别。与BP神经网络模型进行比较,结果表明,ALNAFSA-BP神经网络故障诊断准确率显著提高,达到95%。