齿轮裂纹故障诊断方法综述

针对齿轮传动的重要性,简要分析了齿轮裂纹的故障机理,介绍了正常齿轮和裂纹故障齿轮振动信号的特点及其特征提取方法;重点对一些常用的齿轮裂纹故障诊断方法进行了综述,总结了各种方法的应用现状及其优缺点;简述了当前齿轮裂纹故障诊断领域可能存在的重点和难点问题,并针对不同的问题提出了可能的解决方法和技术路线,为该领域的研究和发展提供了一定参考价值。     

基于谱熵的齿轮故障诊断方法研究

齿轮故障诊断中,采用何种有效的方法对随机动态信号进行分析和特征提取是关键所在。在实际工程当中所采集到的系统信号不可避免地受到噪声的污染,所以普通的一些处理方法如功率谱分析法等,对噪声的存在很敏感,检测分析结果往往不很理想,且很难准确区分故障。谱熵方法从统计学理论入手,反映了信号的无序性,对噪声具有一定的鲁棒性。本文将谱熵理论引入到机械齿轮传动系统中,对齿轮发生的裂纹、磨损故障进行了特征提取、区分与诊断,并与正常齿轮进行了对比,分析模拟和实验结果表明,效果良好,识别诊断的精度在90%以上,为机械齿轮传动系统的故障识别与诊断提供了一种有效方法。     

齿轮故障诊断的小波分析方法

在齿轮故障监测与诊断中，故障特征提取是诊断的关键，而特征提取的方法也是多种多样的。利用双正交小波基将齿轮的故障振动信号分解到时频域，并提取出齿轮的故障特征。同时结合MATLAB编程语言检验小波在齿轮故障检测中的应用效果。     

齿轮传动系统故障诊断方法研究

齿轮零件日益广泛的在越来越多的场景和工程中使用,特别是在今天的重工业领域中,在航天、石油、煤矿和军事的工程应用中已经成为其重要机械顺利运行的部件,尽管齿轮传动系统在当前有着如此重要的应用地位但由于其长期使用,系统会出现综合性故障,因此,如果不能够克服长期使用带来的零件损耗问题就无法保障整个装置的安全性和可靠性,所以如何...     

小波包分析方法在齿轮早期故障特征提取中的应用

基于小波包对信号的高分辨率分解和重构能力,把信号分解到不同频段,然后选择有效频段进行故障信号重构,分离出故障信息,试验表明,该方法能从很强的总体振动信号中提取清晰的损伤特征,实现早期诊断。     

基于QPSO-Volterra的齿轮裂纹故障特征提取

鉴于目前主流齿轮裂纹故障检测方法所存在的局限性(即仅利用系统响应作为研究对象,很少考虑输入对于故障特征提取的作用),并考虑到其作为一种典型非线性系统所蕴含的动态特性,将Volterra级数理论应用于不同状态齿轮啮合传动系统,以充分发挥Volterra级数能够综合利用系统输入、输出数据进行系统非线性特性描述的优势;同时考虑到QPSO算法较高的全局搜索能力,采用该算法对齿轮啮合传动系统Volterra模型进行了时域核辨识。仿真实验结果表明,高阶时域核对于齿轮裂纹故障所引起的系统非线性特性变化非常敏感,可以有效地表征并区分出不同状态下齿轮啮合传动系统的非线性动态特性,达到了预期目的。     

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。     

齿轮传动系统故障诊断技术的研究进展

齿轮传动系统是应用最广的运动或动力传递装置,如车辆、机械、航空、航天、冶金、电力、煤炭、石化、核能等许多行业中的关键机械设备。一旦发生故障就将引起机械设备失效。如果对其提前进行诊断就可以有效地避免意外事故发生,消除续发损坏,节约大量维护费用。针对近年来国内外学者在齿轮传动系统故障诊断技术领域的研究成果,重点阐述了其故障特征提取和模式识别方法的研究现状,并对进一步的研究问题进行了展望。     

基于改进LMD和IED-SampEn的齿轮故障特征提取方法

提出基于改进的局部均值分解(Local mean decomposition,LMD)和瞬时能量分布(Instantaneous energy distribution,IED)-样本熵(Sample entropy,Samp En)的齿轮故障特征提取方法。针对LMD存在的端点效应问题,提出最大相似系数法改进的LMD方法,该方法通过在信号内部寻找与两端指定波段相似系数最大的波段,来实现端点效应的改善。进行仿真验证,结果表明该方法能有效改善LMD的端点效应问题。采用改进的LMD方法分解信号得到瞬时幅值函数,由此可以获得信号的瞬时能量分布,将其作为样本熵输入获得IED-Samp En,通过试验研究并与PF-Samp En进行对比,结果表明IED-Samp En能够合理地、有效地反应齿轮的故障状态,作为齿轮振动信号的特征矢量具有典型性,可以作为一种有效的故障特征。     

基于高阶谱的齿轮故障特征提取方法研究

基于高阶谱能够抑制高斯信号,并且可以在较强的背景噪声中提取故障信息的特点,在分析高阶谱的理论基础上,针对齿轮振动信号的非线性、频谱成分多样性等特点,研究了基于高阶谱分析的机械故障特征提取方法,提出了基于双谱估计的齿轮故障诊断方法.试验结果表明,该方法能够有效地将正常及不同裂纹程度的齿轮区分开来.     

基于双谱熵的齿轮裂纹故障特征提取

针对裂纹故障导致齿轮振动信号非高斯性变化这一特点,提出采用双谱熵对信号非高斯成分在双频域内的分布形态进行定量描述,并据此提取故障信息,得到裂纹产生期、扩展期的特征趋势。结果表明,双谱熵不基于信号能量信息,受非故障因素影响小,而且能有效抑制高斯噪声,同时又对微弱故障十分敏感。研究结果为后续故障诊断与趋势预测提供了新的有效方法。     

基于形态梯度解调算子的齿轮故障特征提取

针对包络解调和形态闭算子易受强噪声和低频谐波分量干扰的缺点,提出了采用形态梯度解调算子提取脉冲信号的方法。对受到低频干扰的仿真脉冲调制信号和实测齿轮断齿故障信号的分析结果表明,形态梯度解调算子既抑制了噪声又充分突出了故障信号的冲击特征,具有更强的噪声抑制和脉冲提取能力,完全不受低频分量的干扰,且计算简单、快速,为齿轮故障特征提取提供了一种有效的方法。     

基于自适应最大相关峭度解卷积和频率切片小波变换的齿轮故障特征提取

针对最大相关峭度解卷积(MCKD)降噪效果受滤波器阶数影响的问题,提出了自适应MCKD方法。针对频率切片小波变换(FSWT)在强背景噪声中提取冲击故障特征的不足,提出了自适应MCKD和FSWT相结合的齿轮故障特征提取方法。首先用自适应MCKD对噪声齿轮信号进行降噪处理,然后对降噪后的信号进行频率切片小波变换和故障特征提取。齿轮故障诊断实例的分析结果验证了该方法的有效性。     

基于PCA和改进型SVM的齿轮裂纹故障诊断方法

由于齿轮裂纹特征难于提取,且常用的特征分类方法易于出现局部最优和过拟合的问题,本文提出了基于主成分分析法(Principal Component Analysis,PCA)和改进型支持向量机(Support Vector Machine,SVM)的齿轮裂纹故障诊断方法.该方法的主要特点是通过PCA方法对齿轮箱振动信号的...     

双谱估计结合EEMD的齿轮故障特征提取

以实测齿轮箱振动信号为分析对象,对锥齿轮系统进行故障特征提取。通过总体平均经验模态分解(EEMD)将采集到的振动信号进行分解,对比分析原始信号功率谱密度特性和各本征模态函数(IMF)频谱特性,抽取相关频带的IMF分量进行信号重构;对重构信号利用直接法进行双谱估计,计算重构信号的双谱熵和非高斯性强度并分析其随试验时间的变化趋势。结果表明,双谱熵和非高斯性强度可以有效反映齿轮运行实时状况,可作为故障诊断和趋势预测的故障特征值。     

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...     

关联维数分析方法在液压泵多故障诊断中的应用研究

针对液压泵故障信号非线性和非平稳性特征,提出了利用相空间重构技术和分形理论相结合的特征关联维数提取方法。该方法将液压泵不同故障模式下获取的一维振动信号重构到高维相空间,进行信息深层挖掘;通过对相空间特征信号关联维数变化规律的分析,找出对故障反映敏感的关联维数,由此进行故障识别。通过实验验证,该方法提取的关联维数能有效反映液压泵的故障特征,为液压泵多故障诊断方法的研究提供可靠的特征信息,具有良好的应用前景。     

基于XGBoost特征提取的数据驱动故障诊断方法

针对目前用于故障诊断领域的机器学习方法尚不能够充分挖掘数据中隐含故障特征信息,存在逼近精度不足的问题,提出一种基于XGBoost算法的隐含特征信息提取方法。根据故障数据与故障类型自定义XGBoost算法的损失函数,迭代构建故障分裂树;提取样本在故障树中的叶子节点位置索引向量并进行特征编码重构,得到隐含故障信息的智能化表征;基于该表征矩阵,使用SVM等机器学习算法建立故障诊断模型,实现多故障模式的识别诊断;最后,以某驱动器的故障诊断为例对方法进行了验证,结果表明:与原始特征下的故障诊断模型相比,基于XGBoost算法提取隐含特征下的诊断模型准确度更高,鲁棒性更好,同时能给出特征变量的重要性排序。     

基于多域特征与改进D-S证据理论的齿轮故障智能诊断方法

为了能全面准确识别齿轮的故障类别,建立了基于时域、频域以及能量等多域特征参数的特征空间模型。在此基础上,提出了一种基于多域特征与改进D-S证据理论的齿轮故障智能诊断方法。通过实验台实测数据提取相关特征参数作为诊断样本,以粒子群优化支持向量机的初步诊断结果构建多个证据体。实验结果验证了改进D-S证据理论融合证据体诊断结果的有效性。