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。     

基于多尺度排列熵的复合行星齿轮故障诊断研究

针对行星齿轮传动系统复合故障特征提取问题,以行星齿轮箱的运行状态为研究背景,建立了考虑路面随机激励下的行星齿轮箱复合故障动力学模型,利用多尺度排列熵对齿轮箱正常、断齿故障和复合故障时的振动信号进行了对比分析,通过对处于不同状态的行星齿轮箱进行分析,发现行星齿轮箱正常振动信号的多尺度排列熵值要高于单一断齿和复合断齿故障信号,熵值平均高出约5.3%,单一断齿的多尺度排列熵高于复合断齿故障信号,熵值平均高出约7.4%。研究结果证明,多尺度排列熵可以有效地诊断多排行星齿轮系统的故障类型。     

应用深度学习的生成对抗网络行星齿轮箱故障诊断技术研究

为了提高旋转机械传动系统的安全性和可靠性,降低维护维修费用,本文研究了一种少样本信息情况下的行星齿轮箱故障诊断方法。针对故障诊断模型建立中的样本不均衡问题,通过生成对抗网络(GAN)的对抗学习机制,实现对振动信号的特征提取。训练生成器学习原始故障样本的分布特点,产生补充的故障数据样本,进而建立更加精确的GAN故障诊断模型。通过实验平台采集多种工况下的故障样本,进行故障诊断模型训练,实验表明在诊断样本信息不足的情况下,GAN故障诊断模型可以有效提高诊断精度。     

流向图在行星齿轮箱故障诊断中的应用

针对行星齿轮箱诊断过程复杂和诊断结果准确率低的问题,提出了一种基于流向图的行星齿轮箱故障诊断方法。该方法通过流向图构建算法直观地表示行星齿轮箱的故障诊断知识,利用流向图约简算法删除不必要的征兆属性节点,以简洁的形式表示属性之间的因果关系,利用流向图分类决策算法确定待诊实例的故障类型。仿真和实验结果证明了该方法的准确性和直观性,为行星齿轮箱的故障诊断提供了一种新颖的解决思路。     

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。     

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。     

基于系统传递特性的齿轮箱齿根裂纹故障诊断

以齿轮箱整体为一个系统,利用功率谱估计方法求出齿轮箱系统的传递特性,通过对传递特性的时域功率谱分析,可以有效地解决输入出现扭振或转速出现波动对故障诊断精度造成的影响。最后以齿轮箱齿根裂纹故障诊断证明其有效性。     

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。     

基于GAN的轴承故障诊断方法

针对轴承工作过程中早期故障样本少、故障类型不平衡的问题,提出一种基于生成式对抗网络(GAN)的数据增强方法。该方法应用快速傅里叶变换(FFT)对轴承信号进行预处理,然后将频谱作为GAN的输入,生成故障样本数据。最后,将生成的数据与原始数据结合构成新的数据集,并利用支持向量机(SVM)实现故障分类识别。通过轴承实验和统计学特性验证,表明该方法可以生成有效故障样本,同时采用扩充后的新数据集与原始数据集相比诊断准确率更高。     

面向故障诊断的行星齿轮扭振信号测量与分析

行星齿轮箱的运行状态对直升机飞行安全非常重要。行星齿轮箱常工作在恶劣的条件下,容易出现磨损或疲劳裂纹等故障。为实现基于扭振信号的行星齿轮传动故障诊断,采用基于增量式编码器的扭振信号测量方法,分别测量了输入轴和输出轴的扭振信号,并分析对比了信号对齿轮故障的敏感性,结果表明,输入轴信号较输出轴信号能更准确地诊断故障。分析比较了负载对信号的影响,认为在重载情况下输出轴扭振信号比输入轴扭振信号对故障特征更加敏感。     

基于共振稀疏分解的行星齿轮系统多故障诊断

针对多级行星齿轮箱中不同齿轮振动特性的不同,提出基于共振稀疏分解(RSSD)的行星齿轮系统多故障诊断方法.该方法使用RSSD将振动信号分解成高低共振分量,根据高低共振分量信号的时频包络谱,提取不同齿轮的故障特征;通过选择合适的品质因子将复杂信号分解为包含不同特征频率的振动分量,可有效地提取隐藏在低共振分量中的齿轮故障信...     

基于时频融合和注意力机制的深度学习行星齿轮箱故障诊断方法

针对行星齿轮箱振动信号频率成分复杂和时变性强的问题,提出了基于时频融合和注意力机制的深度学习行星齿轮箱故障诊断方法。首先,采用小波包分解将原始振动信号分解到频带和时间两个维度作为输入数据;然后,使用卷积神经网络融合数据的频带特征,使用双向门控循环单元融合时序特征;接着采用注意力结构对不同时间点的特征自适应地进行动态加权融合;最后通过分类器进行识别,实现行星齿轮箱的端对端故障诊断。实验表明,该方法对比现有的深度学习故障诊断模型具有更高准确率,能够对行星齿轮箱多种健康状态进行准确地诊断。     

基于扭振信号加窗RMS时域同步平均的行星齿轮箱裂纹故障诊断

行星齿轮箱具有结构紧凑、传动效率高、运行平稳等优点,被广泛应用于关键机械装备中.由于恶劣的工作环境,行星齿轮箱易产生齿根裂纹故障损伤且不易被识别,易造成安全隐患.扭转振动信号理论上不受行星架旋转引入的路径调制影响,相比于传统研究中的横向振动信号具有很大的优越性,频率成分简单,易于提取故障特征.为此,以扭振信号为分析对象,提出了一种加窗RMS(Root meam square)时域同步平均技术,实现行星齿轮箱的早期齿根裂纹故障诊断;并搭建故障模拟试验台,验证了该方法的有效性.     

基于动态加权密集连接卷积网络的变转速行星齿轮箱故障诊断

针对变转速工况下基于深度学习的行星齿轮箱故障诊断问题,提出动态加权密集连接卷积网络的故障诊断方法。将行星齿轮箱振动信号的小波包系数二维矩阵输入到密集连接卷积网络作为网络的初始特征图;在密集连接卷积网络的跨层连接中加入动态加权层,形成动态加权密集连接卷积网络,加强网络的深层信息传递;通过动态加权网络层自适应提取不同频带内的故障特征信息进行行星齿轮箱故障诊断。试验表明了所提的动态加权密集连接卷积网络能有效诊断变转速行星齿轮箱故障。     

LTSA和深度置信网络的行星齿轮箱故障诊断

针对行星齿轮箱振动信号维度高,传统故障诊断方法识别精度低的问题,提出一种基于局部切空间排列算法(Lo-cal Tangent Space Alignment,LTSA)和深度置信网络(Deep Belief Network,DBN)的行星齿轮箱故障诊断方法.首先,利用PCA算法预估高维数据的内在维度,确定目标数据的内在...     

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1-DCNN的行星齿轮箱故障诊断

传统的机器学习方法在行星齿轮箱故障诊断方面存在识别率低、特征提取操作繁琐等问题。为提高行星齿轮箱的诊断效率,提出基于一维深度卷积神经网络(One-dimensional deep con-volutional neural network,1-DCNN)的故障诊断方法,将原始信号直接输入到网络中进行诊断。通过对行星齿轮箱行星轮5种故障信号进行训练验证,精度可达100%,且在诊断精度和效率上优于其他常用算法。     

基于SSAE的输入级弧齿锥齿轮自动特征提取及故障诊断

航空用输入级弧齿锥齿轮常处于高速重载工况,获取的振动信号具有强非线性、非平稳特点,造成故障特征难提取.对此,运用堆栈稀疏自动编码器故障自动特征提取方法结合分类器对输入级弧齿锥齿轮故障诊断进行了研究.搭建输入级弧齿锥齿轮故障诊断模拟试验台,分别进行正常齿轮和故障齿轮运行的测试试验.将多个SAE层层堆叠形成SSAE,对弧齿...