行星齿轮箱故障诊断技术的研究进展

行星齿轮箱广泛用于风力发电、直升机、工程机械等大型复杂机械装备中,低速重载的恶劣工作环境经常导致其太阳轮、行星轮、行星架等关键部件出现严重磨损或疲劳裂纹等故障。然而,现有的中心轴固定的传统齿轮箱故障诊断理论与技术不能有效解决行星齿轮箱诊断中所面临的诸多棘手问题,例如行星齿轮箱中多模式混淆和振动传输路径复杂导致故障响应微弱、载荷大范围瞬时波动引起振动的强烈非平稳性、多对齿轮啮合的振动相互耦合造成振动明显的非线性、低频特征频率成分噪声污染严重等。阐述行星齿轮箱故障诊断的特点与难点;从动力学建模和动态信号处理两方面,综述和分析行星齿轮箱故障诊断的国内外研究进展;指出当前研究中存在的关键问题;讨论解决这些关键问题的途径。     

基于小波时频图和卷积神经网络的行星齿轮箱故障诊断方法

针对行星齿轮箱故障诊断中故障类型难以区分的问题,提出了一种基于小波时频图和卷积神经网络相结合的行星齿轮箱故障诊断方法。首先,对原始信号进行连续小波变换,获取小波时频图;然后,对小波时频图进行统一处理和压缩,将处理好的小波时频图输入到卷积神经网络中进行分类识别,通过调整小波基函数和卷积神经网络参数,最终得到一个较为理想的诊断模型。试验证明,在训练集数据和测试集数据转速不同的情况下,该方法与BP神经网络相比,在诊断准确率和鲁棒性方面都有提升。该方法的研究为行星齿轮箱的故障诊断提供了参考。     

GA-ACO优化BP神经网络在行星齿轮箱故障诊断中的应用

针对目前利用优化算法改进的BP神经网络算法对行星齿轮箱进行故障诊断过程中存在的故障识别率低、收敛速度慢和参数选择困难等问题,提出了一种用GA-ACO算法对神经网络参数进行优化的算法。给出GA-ACO-BP算法的基本原理和主要步骤,并将此方法应用到行星齿轮箱的故障诊断中。比较了ACO-BP神经网络算法和GA-ACO-BP算法的性能。结果表明,ACO优化BP神经网络算法对行星齿轮箱的故障诊断收敛速度慢且识别精度不高,而GA-ACO-BP算法能够对行星齿轮箱故障进行准确、快速的诊断和识别。     

量化特征多粒度模型在行星齿轮箱故障诊断中的应用

传感器失灵、通讯迟滞或数据离散化等多种不确定因素会导致行星齿轮箱故障诊断信息不完备情况的发生,而现有的故障诊断方法已难于适用。为此,提出一种基于数据驱动量化特征多粒度模型的行星齿轮箱故障诊断方法。首先,采用数据驱动量化特征关系对行星齿轮箱的不完备故障诊断信息进行分析;其次,利用基于悲观数据驱动量化特征多粒度模型的属性约简算法提取故障诊断决策规则;最后,使用朴素贝叶斯分类器(Naive Bayesian classifier,NBC)推断待诊行星齿轮箱状态。实验研究表明,该方法可准确地判断实例间的不可分辨关系,降低计算复杂度,提高故障诊断准确率。     

EMPE和KP-KELM在行星齿轮箱故障诊断中的应用

针对非线性、非平稳的行星齿轮箱振动信号故障特征"难提取"和基于核参数随机生成的高斯核极限学习机状态辨识模型分类精度低的问题,提出一种改进多尺度排列熵(Enhence Multi-scale Permutation Entropy,EMPE)与核极化高斯核极限学习机(Kernel Extreme Learning Machine,KELM)结合的行星齿轮箱状态辨识方法。首先,将经由形态平均滤波的行星齿轮箱行星齿轮的振动信号,借助于EMPE来获取多尺度下的排列熵值(Permutation Entropy,PE)构建高维特征向量集;其次,利用核极化(Kernel Polarization,KP)优化高斯核极限学习机的核参数σ;最后,将EMPE特征向量集作为输入,通过KP优化KELM算法的训练建立行星齿轮状态辨识模型。实验结果表明,与基于SVM和KELM的状态辨识模型相比,基于EMPE和KP-KELM的行星齿轮故障诊断方法具有更高的分类精度。     

基于频率切片小波变换的行星齿轮箱故障诊断

风电行星齿轮箱主要由太阳轮、行星轮、行星架和内齿圈组成,由于其工作环境比较恶劣,容易产生故障。另外其各部分信号又相互叠加,增大了信号分析的难度。而风电齿轮箱运转又会随外界环境而发生变化,产生的信号具有较强的非平稳性,采用普通时频方法只能简单估测故障发生的大致位置。为了进一步确定设备故障信息,尝试将频率切片小波变换的时频分析方法应用到其故障诊断中。通过对信号的全频能量分析,选择信号故障区间进行细化分析,进而提取信号的时频特征,确定故障具体位置,取得了较好的效果,为风电行星齿轮箱的故障诊断提供了一定依据。     

基于注意力机制的一维卷积神经网络行星齿轮箱故障诊断

针对行星齿轮箱故障信号成分复杂和时变性强的特点,提出了基于注意力机制的一维卷积神经网络(１D-CNN )行星齿轮箱故障诊断方法.首先,将行星齿轮箱各类故障状态的原始振动信号进行分段处理,作为模型的输入;其次,利用一维卷积神经网络对行星齿轮箱的原始振动信号学习齿轮故障特征,结合注意力机制( AM )对特征序列自适应的赋予不同的权重,增强故障特征信息;最后,利用 Softmax 分类器实现行星齿轮箱的故障诊断.通过故障实验验证以及与其他模型的对比,该故障诊断模型具有较强的学习能力,诊断性能优于其他的深度学习模型,有较好的工程实际意义.     

基于DPD-1DCNN的行星齿轮箱故障诊断方法研究

基于数据驱动的故障诊断方法已被广泛应用于旋转机械零部件故障诊断领域。目前,大多数诊断方法主要依赖于定长数据分割产生的大量数据,但分割的数据通常为短周期的小片段信号,而实际长周期冗余信号由于数据尺度不匹配,无法直接作为测试样本进行故障识别。针对以上不足,提出了一种新的基于数据概率密度与一维卷积神经网络（Data Probability Density and One-Dimensional Convolutional Neural Network,DPD-1DCNN）的故障诊断方法,其具有两个特点：(1)提取信号的密度特征可抵抗数据的冗余;(2)适应不同长度的冗余信号可作为诊断模型的输入。该方法采用DDS试验台产生的行星齿轮箱故障数据进行了验证;其在保证高诊断精度的同时,又增强了诊断模型的适应性。     

虚拟现实技术在齿轮箱故障诊断中的应用

分析了齿轮箱振动噪声产生的机理及其噪声特性，构建出了基于虚拟现实技术的齿轮箱故障诊断系统，设计出了由振动测试、数据采集和计算机信号处理组成的硬件平台，采用VisualBasic高级语言编写了相应的应用软件，可以实现齿轮箱的实体造型和故障的三维动态模拟显示，该设计方案和诊断系统具有较好的理论价值和应用前景。     

柔性行星轮系在风电齿轮箱中的应用

设计人员采用很多方法去克服行星齿轮箱中负载不均情况的发生:如柔性齿圈、浮动太阳轮、浮动行星架等.相对悬臂柔性行星轮系的设计,在平衡刚度和柔性的基础上能更好地实现载荷的分配均匀,具有较小的应力和最佳齿轮接触模式.     

基于非线性短时傅里叶变换阶次跟踪的变速行星齿轮箱故障诊断

针对变速行星齿轮箱信号频率模糊且受噪声影响的问题,提出了基于非线性短时傅里叶变换（NLSTFT）无键相阶次跟踪与变分模态分解的故障诊断方法。用NLSTFT算法估计信号瞬时频率,对其积分获得瞬时相位曲线,通过重采样得到角域信号;利用NCOGS算法对角域信号降噪,采用VMD算法进行角域信号模态分解,通过各模态分量信号包络谱解调实现故障诊断。实验结果表明,新方法计算效率高、鲁棒性好,提高了变转速行星齿轮箱故障诊断性能。     

广义变分模态分解及其在齿轮箱复合故障诊断中的应用

针对变分模态分解在实际应用过程中需要根据先验知识确定惩罚函数和分量分解个数这一缺陷,提出了一种改进方法,即广义变分模态分解方法。该方法减少了人为因素对分解结果造成的主观影响,将信号分解转化为非递归、变分模态分解方式,能够有效分离频率成分相近的谐波分量,且对信噪比较小的信号有着良好的鲁棒性。将该方法应用于齿轮箱复合故障诊断中,仿真和实验的结果验证了该方法的有效性。     

基于迭代广义同步压缩变换的时变工况行星齿轮箱故障诊断

同步压缩变换在分析频率恒定的单分量信号时改善时频可读性的效果显著,而在分析多分量频率时变信号时存在时频模糊现象,为了解决这一问题,提出迭代广义同步压缩变换方法。通过迭代广义解调分离出各单分量成分,并将时变频率变换为恒定频率。应用同步压缩变换精确估计瞬时频率和时频分布幅值。将各单分量的时频分布叠加获得信号的时频分布。该方法有效改善了同步压缩变换在分析频率时变信号时的时频可读性,并且将其推广应用于多分量信号。应用该方法有效识别了时变工况下行星齿轮箱振动信号的频率组成及其时变特征,准确诊断了齿轮故障。     

基于多特征融合的行星齿轮箱点蚀故障诊断研究

为了识别行星齿轮箱的齿面点蚀故障,通过刚柔耦合仿真获得健康和 3 种不同点蚀程度行星齿轮箱的箱体振动信号。对获得的 4 种状态的箱体振动信号进行变分模态分解后,计算每个本征模态函数分量的能量值、峭度因子和信息熵,基于能量值、峭度因子和信息熵多特征融合构建高维特征向量,采用支持向量机分类器对 4 种状态的行星齿轮箱进行识别。结果表明,基于变分模态分解的本征模态函数分量的能量值、峭度因子和信息熵构建的 15 维特征向量,采用支持向量机分类器能够准确识别健康和 3 种不同点蚀程度齿轮的类型。     

多共振分量融合CNN的行星齿轮箱故障诊断

针对行星齿轮箱中各部件所激起的振动成分混叠、早期故障特征经常被较强的各级齿轮谐波成分以及环境噪声所湮没的问题,提出一种多共振分量融合卷积神经网络（multi-resonance component fusion based convolutional neural network,简称MRCF-CNN）的行星齿轮箱故障诊断方法。首先,对振动信号进行共振稀疏分解,得到包含齿轮谐波成分的高共振分量和可能包含轴承故障冲击成分的低共振分量;其次,构建多共振分量融合卷积神经网络,将得到的高、低共振分量和原始振动信号进行自适应的特征级融合,通过有监督的方式训练模型并进行行星齿轮箱故障诊断。对行星齿轮箱实验数据的分析结果表明,该方法能够有效分类行星齿轮箱中滚动轴承和齿轮的故障,成功对行星齿轮箱故障进行诊断,同时能够进一步增强卷积神经网络对振动信号所蕴含的故障信息的辨识能力。     

路图傅里叶变换及其在滚动轴承故障诊断中的应用

图信号处理(Graph signal processing, GSP)是由谱图理论发展起来的新研究领域。图傅里叶变换(Graph Fourier transformation, GFT)是图信号关于图拉普拉斯矩阵特征函数的展开,也是GSP的基础。对路图的GFT进行分析,发现GFT得到的特征值谱与经典的傅里叶变换(Fourier transformation, FT)频谱有一一对应关系,同时,特征值谱的幅值与特征矢量也有对应关系。将GFT引入滚动轴承故障诊断,提出基于GFT特征提取和K-均值聚类的滚动轴承故障诊断方法。该方法先用GFT将滚动轴承的路图信号变换到特征值谱域;再计算特征值谱的统计量作为故障特征;最后运用K-均值聚类分类器识别滚动轴承的故障类型。对实际轴承振动信号的分析结果表明,基于GFT和K-均值聚类的故障诊断方法能准确有效地识别滚动轴承故障。     

[设备健康管理]基于深度学习多样性特征提取与信息融合的行星齿轮箱故障诊断方法

针对行星齿轮箱振动信号噪声干扰大、单一分类器泛化能力不强的问题,提出了一种基于深度学习多样性特征提取与信息融合的行星齿轮箱故障诊断方法。利用多目标优化算法优化多个堆栈去噪自动编码器(SDAE)以获得多个性能优异的SDAE,并提取多样性的故障特征;采用多响应线性回归模型集成多样性故障特征实现信息融合,得到多目标集成堆栈去噪自动编码器(MO-ESDAE),最后将其应用于行星齿轮箱故障诊断。实验结果表明：该方法能有效提高故障诊断精度与稳定性,具有较强的泛化能力。     

基于图论的故障诊断技术及其发展

该文给出了基于图论的故障诊断原理，综述了基于图论的故障诊断研究现状，包括两种主要方法：基于故障传播有向图和基于符号有向图的诊断方法。