直齿轮系齿根裂纹损伤程度检测方法

为了实现直齿轮系裂纹损伤程度的检测,提出一种基于主成分分析(principal component analysis,简称PCA)及灰色理论相结合的方法。首先,建立直齿轮系动力学模型,通过仿真获得不同裂纹损伤程度下直齿轮系振动信号,基于现代信号分析方法(包括时域方法和频域方法),提取振动信号中齿轮损伤变化敏感的多个故障行为特征参数;其次,通过PCA方法与灰色关联分析算法对多维特征参数进行优化、降维;最后,用关联度表征裂纹损伤程度从而实现对直齿轮系裂纹故障的程度检测。由动力学模型的仿真数据的分析表明,运用笔者提出的PCA及灰色理论相结合的方法检测直齿轮系裂纹故障比直接对特征参数定阈值的检测方法关联度数值提高了16%,从而证明了该方法的有效性。     

含裂纹故障齿轮系统的非线性动力学研究

考虑时变啮合刚度、间隙非线性及传动误差的影响,针对试验齿轮箱中的单对齿轮传动建立齿轮副扭转振动的参数化动力学模型,对裂纹故障的非线性动力学机理进行研究。采用平均法分析齿轮裂纹模型的主共振及1/2亚谐共振的动力学响应;给出裂纹演化过程对齿轮系统啮合刚度及动力学行为的影响;通过幅频特性曲线、时域图、相轨迹图、Poincaré截面图及频谱图综合分析含有裂纹故障齿轮的振动特征;通过奇异性理论分析裂纹程度及传动误差所产生的内部激励与系统动力学分岔的关系,从而揭示了不同裂纹程度和传动误差所引起的不同分岔模式;最后通过试验提取含有裂纹故障齿轮的振动特征,试验结果验证了理论分析的结果,从而为齿轮系统裂纹故障的识别提供理论依据。     

基于刚柔耦合模型的行星齿轮机构裂纹故障研究

行星齿轮机构行星轮裂纹故障存在难以诊断的问题,为了对行星齿轮机构行星轮裂纹故障进行更好的诊断,以某型汽车行星齿轮机构为例,基于该机构刚柔耦合动力学模型,对其行星轮裂纹故障信号频谱图特点进行了研究。首先,采用SolidWorks软件,建立了行星齿轮机构行星轮裂纹故障三维模型,利用ANSYS APDL软件将模型中需要布置传感器的部位设置为柔性体;然后,在ADAMS软件中建立了行星齿轮机构刚柔耦合动力学仿真模型;之后,采用ANSYS Workbench软件,对齿轮裂纹故障进行了啮合静力学分析,建立了行星轮的裂纹故障模型;最后,通过对齿轮机构进行刚柔耦合动力学仿真分析,得出了该行星齿轮机构行星轮裂纹故障模型的信号特征。研究结果表明：在行星轮裂纹故障频谱图中,信号的峰值均与啮合频率或其倍频相对应,而啮合频率处的局部峰值均与行星轮故障频率有关。     

含故障的齿轮系统非线性动力学特性分析

综合考虑轻微磨损故障和裂纹故障等因素,建立含故障的直齿轮副的非线性动力学模型,并利用4～5阶变步长Runge-Kutta法对含故障的直齿轮模型的动力学方程进行数值求解;得到了单级齿轮系统在无故障、轻微磨损故障和裂纹故障状态下系统的分岔图、相图和Poincaré映射图;研究了齿轮系统在无故障和故障时的动力学行为,研究结果为齿轮系统的故障诊断、动态设计和安全运行等提供了理论参考。     

定量诊断齿轮箱故障方法的探讨

本文探讨了如何通过对齿轮箱噪声、振动谱的分析来定量诊断齿轮箱故障。在对齿轮箱故障定性判断的基础上,作者提出了通过频谱的谐波分析和倒频谱分析方法可以判断齿轮的故障程度。文中给出了诊断方法的思路与计算公式,并由试验分析得出了诊断齿轮不同程度故障的阈值。     

基于ADAMS的大功率采煤机高速区齿轮裂纹故障分析

利用UG8.0和ADAMS对大功率采煤机MG900/2215-GWD高速区建立动力学模型。通过对比健康以及两种种不同程度的裂纹故障状态下的啮合力时域及频域曲线,对故障状态下采煤机高速区齿轮系统的动态特性进行了分析。研究结果表明,齿轮裂纹故障情况下,啮合力边频带能量密集,且密集程度随着损坏程度的增大而增加,通过边带主频幅值比可定量反应该趋势。     

裂纹齿轮的模态分析及诊断

通过对正常齿轮和裂纹齿轮进行动力学仿真研究,发现裂纹齿轮的固有频率要比正常齿轮有明显的降低;进一步研究裂纹深度对齿轮动力学特性的影响,提出了一种诊断齿轮裂纹故障的新方法,并用试验验证了该方法的有效性.     

裂纹故障对齿轮传动系统动力特性的影响

建立了正常与故障齿轮传动系统的动力学模型,并对其进行了动力学分析,研究了齿轮出现裂纹故障后齿轮啮合刚度的变化以及对整个齿轮传动系统动力特性的影响,通过对正常系统和故障系统动力特性的对比分析以及对正常和故障齿轮系统进行试验,表明理论分析的准确性和可靠性,这对齿轮机械系统的设计和对故障齿轮系统进行诊断有重要的价值,并对齿轮系统进行实时监测有着重要意义。     

变载荷激励下齿轮传动系统齿根裂纹故障动力学特性分析

根据齿轮裂纹会引起齿轮系统的时变啮合刚度变化这一特性,建立了含齿根裂纹故障单级齿轮传动系统的四自由度动力学模型,对裂纹故障的非线性动力学机理进行了研究。采用变步长的四阶龙格—库塔法对齿轮裂纹故障进行仿真分析,运用时频分析方法研究了裂纹信号特征,为齿轮裂纹故障诊断提供了理论支持。在此基础上,分析了齿轮裂纹在变载荷激励下的动力学特性。分析表明:在变载荷激励下,齿轮振动波形图与变载荷激励变化趋势极其相似,裂纹的存在引起波形图上出现冲击现象并且啮合频率及其倍频附近出现边频带,边频带为故障齿轮的转频;变载荷激励下,低频的边频成分明显只与外载荷激励有关,与齿轮故障无关。     

基于三相交流异步电机定子电流信号分析的机电传动系统齿轮箱裂纹故障非侵入式诊断

齿轮裂纹故障是机电传动系统的高发故障,及时发现裂纹故障对保证机电传动系统正常工作意义重大。提出了一种基于三相交流异步电机定子电流信号的齿轮裂纹故障非侵入式诊断方法。首先,建立电机-齿轮-负载机电耦合模型,利用势能法计算不同裂纹深度和角度下齿轮变啮合刚度;然后,利用Runge-Kutta法对机电耦合模型进行数值求解,分析时变啮合刚度影响下电机电流动态响应。通过对比健康齿轮和裂纹故障齿轮的定子电流频谱,揭示齿轮裂纹故障对应的电流频谱特征,建立基于电机电流信号分析的传动系统齿轮裂纹故障诊断判据。对存在裂纹故障的齿轮进行电机拖动实验,齿轮裂纹故障影响下的电机电流信号与数值求解结果一致。所提出的基于电机电流信号的齿轮裂纹故障非侵入式诊断方法对于降低传动系统维护成本具有较高价值。     

Gear crack level identification based on weighted K nearest neighbor classification algorithm

A crack fault is one of the damage modes most frequently occurring in gears. Identifying different crack levels, especially for early cracks is a challenge in gear fault diagnosis. This paper aims to propose a method to classify the different levels of gear cracks automatically and reliably. In this method, feature parameters in time domain, specially designed for gear damage detection and in frequency domain are extracted to characterize the gear conditions. A two-stage feature selection and weighting technique (TFSWT) via Euclidean distance evaluation technique (EDET) is presented and adopted to select sensitive features and remove fault-unrelated features. A weighted K nearest neighbor (WKNN) classification algorithm is utilized to identify the gear crack levels. The gear crack experiments were conducted and the vibration signals were captured from the gears under different loads and motor speeds. The proposed method is applied to identifying the gear crack levels and the applied results demonstrate its effectiveness.     

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。     

一种基于EMD与多特征支持向量机(SVM)故障诊断方法

针对齿轮箱故障振动信号的不平稳非线性冲击行为,本文提出了一种基于经验模态分解的特征值提取及多特征支持向量机的智能诊断方法。在电机频率分别取30 Hz、35 Hz、40 Hz;载荷分别取0 N∙M、15 N∙M、30 N∙M;采样频率为1500 Hz条件下,进行齿轮正常状态、齿面磨损和齿轮裂痕故障模拟实验。试验结果表明:该创新方法在有限样本数据分析中可以准确、有效地对齿轮箱的工作状态和故障类型进行分类,且支持向量机在故障诊断中使用方便,可以提高诊断的精确性,在齿轮箱故障诊断或类似振动信号的检测应用中具有很强的实用性。     

风机行星齿轮系统齿轮裂纹故障诊断

针对风力发电机实际行星齿轮系统,由于幅值及相位调制现象(各种制造误差不可避免等原因所导致)带来的故障诊断难题,搭建了含各种制造误差的动力学模型。模型考虑了出现裂纹故障以后,故障对时变啮合刚度以及传递误差的影响,通过数值求解,对比行星轮、太阳轮以及齿圈出现故障后与正常齿轮系统的包络谱结构特性,总结了故障特征频率。在风力发电机齿轮箱实验台上进行裂纹故障试验验证,结果表明所总结的故障特征频率可以作为风力发电机裂纹故障诊断及定位的依据。     

基于改进特征选择方法的齿轮故障SVM诊断

为提高齿轮故障诊断的精度,对常用的共享特征选择方法(Share feature selection,SFS)进行改进,提出了改进的特征选择方法(Improved feature selection,IFS)。改进的特征选择方法结合齿轮两两故障类型之间的特点,在齿轮两两故障之间建立独立的故障特征集,用以取代所有故障类型的共享特征集;而后,通过建立多个二分类的支持向量机,对独立的故障特征集进行识别,得到诊断结果。齿轮故障诊断实例表明,改进的特征选择方法排除了无用特征的干扰,提高了诊断精度,具有一定的优势。     

基于EMD解调的齿轮裂纹早期故障诊断研究

齿轮轮齿发生早期裂纹时,裂纹故障信号十分微弱。为了有效提取早期裂纹故障特征,文中提出基于经验模式分解(empirical mode decomposition,EMD)的早期故障诊断方法。该方法首先去除振动信号中的啮合基频及其谐波成分,得到残余信号,然后针对残余信号进行基于EMD解调分析和处理。仿真及工程实例分析结果表明,所提方法能成功地将齿轮早期裂纹故障信息从复杂的振动中提取出来,更有利于及早发现故障,并判断故障的严重程度。     

The fault feature extraction and classification of gear using principal component analysis and kernel principal component analysis based on the wavelet packet transform

The vibration signal of a gear system is selected as the original information of fault diagnosis and the gear system vibration equipment is established. The vibration acceleration signals of the normal gear, gear with tooth root crack fault, gear with pitch crack fault, gear with tooth wear fault and gear with multi-fault (tooth root crack & tooth wear fault) is collected in four kinds of speed conditions such as 300 rpm, 900 rpm, 1200 rpm and 1500 rpm. Using the method of wavelet threshold de-noising to denoise the original signal and decomposing the denoising signal utilizing the wavelet packet transform, then 16 frequency bands of decomposed signal are got. After restructuring the decomposing signal and obtaining the signal energy in each frequency band, the signal energy of the 16 bands is as the shortlisted fault characteristic data. Based on this, using the methods of principal component analysis (short for PCA) and kernel principal component analysis (short for KPCA) to extract the feature from the fault features of shortlisted 16-dimensional data feature, then the effect of reducing dimension analysis are compared. The fault classifications are displayed through the information that got from the first and the second principal component and kernel principal component, and these demonstrate they have a different and good effect of classification. Meanwhile, the article discusses the effect of feature extraction and classification that caused by the kernel function and the different options of its parameters. These provide a new method for a gear system fault feature extraction and classification.     

EEMD与HMM在齿轮故障诊断方法中的研究

为了解决EMD方法存在的模态混叠的问题,更加精确有效的利用振动信号进行齿轮的故障识别和诊断,提出一种将总体平均经验模态分解(EEMD)和隐马尔科夫模型(HMM)结合的齿轮故障诊断方法。首先对采集到的原始齿轮振动信号进行EEMD处理,获得包含主要故障信息的各阶固有模态函数(IMF)分量,以能量为元素,提取并构造特征向量,对特征向量进行HMM模型训练和诊断测试,来识别齿轮的工作状态和故障类型,实验结果表明,该方法可以有效提高齿轮的故障诊断准确率和精度。     

基于LCD和KNNCH分类算法的齿轮故障诊断方法

提出了一种基于局部特征尺度分解(LCD)和核最近邻凸包（KNNCH）分类算法的齿轮故障诊断方法。该方法采用LCD对齿轮原始振动信号进行分解得到若干内禀尺度分量(ISC),然后提取包含主要信息的ISC分量的能量作为特征向量输入到KNNCH分类器,根据其输出结果来判断齿轮的工作状态。实验分析结果表明,所提出的方法能有效地提取齿轮故障特征信息,而且在小样本的情况下仍能准确地对齿轮的工作状态进行识别。同时,与支持向量机(SVM)算法的对比分析结果表明,KNNCH算法能取得与SVM算法相当或更高的正确识别率。     

基于支持向量回归的轴承故障定量诊断应用

针对轴承故障状态特征与故障大小之间存在非线性关系,提出利用支持向量回归机建立轴承故障大小与状态特征之间的定量诊断模型,并给出了基于支持向量回归的定量诊断策略和诊断流程。在获取轴承不同故障大小的特征量的基础上,建立了轴承故障定量诊断的支持向量回归模型,将其用于轴承故障的定量识别。结果表明,该方法能够有效地判断出故障的大小。进一步将该方法与人工神经网络方法比较,结果说明了支持向量回归方法在轴承故障定量诊断方面具有更好的适应性。