1000 kN压力机大齿轮断齿修复

1 问题的提出 我厂有一台1 000kN开式压力机。该机在工作过程中,大齿轮（齿数120,模数10）上的一个轮齿从根部折断,造成设备停机。如果整体更换齿轮,首先要铸造毛坯,再加工齿轮,不仅费用高,而且周期很长。该齿轮材料为灰铸铁,很难用堆焊的方法修复。     

余弦齿轮轮齿刚度的有限元分析

利用有限元方法计算分析了余弦齿轮的轮齿刚度,并将计算结果与相应的渐开线齿轮进行比较,结果表明余弦齿轮的轮齿刚度要高于相应的渐开线齿轮.在此基础上,分析了余弦齿轮设计参数对轮齿刚度的影响,余弦齿轮的轮齿刚度随着齿数、模数和压力角的增加而增大,但当齿数比较大时,轮齿刚度基本不变.     

流动式起重机分动箱40CrMn齿轮失效分析与研究

对某流动式起重机所用分动箱内出现的齿轮失效形式进行了分析,对40Cr Mn齿轮材料、表面硬度和金相组织进行了检测。结果表明:齿轮轮齿失效的主要原因是由于齿轮轮齿组织为珠光体和铁素体,表面硬度低。润滑不良是造成齿轮轮齿表面发生退火效应和脱碳的直接原因。对润滑系统进行改进,可解决分动箱齿轮失效问题。     

齿轮惯量的精确计算

计算齿轮的惯量时,轮齿的重量和回转半径往往是取近似值。这种情况对大多数齿轮惯量的计算是令人满意的。但在需要高度精确的计算时,就不能满足要求了。 回转半径是指从齿轮中心到某一点的距离,该点可看成是所在截面全部质量的集合点。该数值对于平整的圆盘齿轮或大型齿轮来说是容易得到的。只是轮齿的回转半径通     

精密小模数少齿数齿轮模具的线切割加工

按常规方式加工小模数少齿数齿轮,容易出现齿轮根切现象,致使齿轮轮齿强度降低、齿轮啮合条件恶化。采用新型特殊轮齿拟合曲线,并使用电火花线切割机来加工精密小模数少齿数齿轮注塑模具,可有效解决上述问题,从而在工程上具的推广价值。     

直升机动力传动系统故障诊断方法

为降低飞行事故,保证飞行安全性,对直升机动力传动系统进行故障诊断研究。分析行星齿轮振动机理以及信号分离方法,设计并制作行星齿轮箱故障诊断试验台,利用LABVIEW虚拟仪器采集系统采集振动信号,通过行星齿轮啮合试验,对所采集的数据文件进行信号处理,检测和分析行星齿轮箱的轮齿缺陷。结果表明:对从行星齿轮传动机构获得的振动数据进行信号时域平均,可实现对行星齿轮振动信号的充分分离,清晰地检测出故障所在,以达到直升机动力传动系统故障诊断的目的。     

齿根裂纹下的行星齿轮系统动力学特性研究

基于集总参数法,建立太阳齿轮有裂纹状态下的行星齿轮的动力学模型。提出一种考虑轮齿过渡曲线的啮合刚度改进方法,推导齿轮健康状态和裂纹状态下的时变啮合刚度计算方法,在此基础上求解振动响应。仿真结果表明：当齿根出现裂纹时,齿根的振动响应具有明显的冲击响应特征,且可以获得太阳齿轮故障的特征频率和倍频特性。最后将仿真信号与测试信号进行对比,试验结果与仿真结果吻合性较好,验证了所提动力学模型的有效性。     

中间轴三档齿轮断齿失效分析

对中间轴三档齿轮的材质、热处理质量、断口形貌和热酸蚀低倍组织进行研究。结果表明,该齿轮断裂为高周疲劳断裂,疲劳源位于齿轮非啮合面的齿根处,此处存在大量显微气泡、气孔、显微缩松及显微缩孔,形成了较大的应力集中,导致其过早萌生疲劳裂纹。在交变压应力作用下产生大面积疲劳裂纹,极大降低了齿轮轮齿的抗弯强度,最终导致轮齿疲劳断裂。     

太阳齿轮轮齿表面损伤分析

某型飞机太阳齿轮在进行超功率试验过程中多次出现金属屑报警,未停止试验,试验完毕后对其进行分解,检查发现轮齿表面存在剥落凹坑。通过宏微观观察、能谱成分分析、金相组织检查、硬度检测等方法对齿轮表面损伤进行分析,以确定该损伤的性质和形成原因。结果表明：轮齿的损伤为表面接触疲劳剥落,偏载导致轮齿表面局部应力过大是剥落产生的主要原因。     

基于数字成像机理的齿轮疲劳试验方法研究北大核心

由于齿轮副啮合接触和内封装等特点,其疲劳强度的检测存在较大限制,尤其是对疲劳裂纹、轮齿折断等疲劳失效状态的监测大多采取间隔停机并拆解后检视的方式。整个过程耗时耗力,容易因人工主观判断和经验差异造成观测误差,而且无法感知齿轮早期疲劳阶段的微动疲劳特征。为此,基于双目视觉技术和数字图像相关理论提出一种面向齿轮疲劳强度试验的非接触式检测方法。通过双电机对拖驱动的方式搭建包含双目摄像头的减速机试验台,在齿轮上预制作高质量散斑进行疲劳试验,应用双目视觉方法采集全寿命周期的疲劳特征图像。通过图像匹配算法搜索跟踪轮齿上的目标区域,并分析计算得到区域内数据点的位移及应变等信息。结果表明:所提方法可以在无须拆装的情况下,实时在线监控齿轮疲劳试验过程并准确识别早期微小裂纹等疲劳失效特征,具有检测精度高、抗干扰能力强的特点,有利于提高试验效率,降低成本。     

VMD复合熵值法在齿轮故障诊断中的应用

针对齿轮实际工况复杂、故障特征难以提取的问题,提出一种基于变分模态分解(Variational Mode Decomposition,VMD)复合熵值法的故障诊断方法.首先,采用VMD方法对不同工况下齿轮振动信号进行分解,并对分解过程中关键参数的选择进行了研究;其次,根据频域互相关系数准则筛选出可有效表征齿轮状态特征的...     

EMD分解与多特征融合的齿轮故障诊断方法

为解决齿轮振动信号在现实中难以获取大量典型故障样本和分类的精确度低的问题,提出基于EMD分解与多特征融合的齿轮故障诊断方法。首先,提取反映信号特征的各项参数指标作为特征向量;其次,利用经验模式分解(EMD)对原始信号进行分解,进而提取分解后各本征模式分量(IMF)的能量指标组成特征向量;然后,将其与信号特征各项参数融合成特征向量组合,并将其作为SVM多故障分类器的训练样本进行训练,实现齿轮的智能诊断。通过实验室轴承的故障诊断研究表明:该方法对于齿轮的各种状态具有很好的分类精确度,更加有效地识别齿轮故障类型。     

基于Hankel矩阵与奇异值分解降噪方法的齿轮故障诊断研究

将Hankel矩阵与奇异值分解相结合对齿轮故障信号进行降噪处理,并应用MATLAB软件实现,来降低信号中的噪声,提高信噪比,从而凸显故障的信息特征。首先将含噪的测量信号构成的Hankel矩阵分解成两个互不相关的空间——真实信号空间与噪声空间,采用3种不同的奇异值选择方法,即奇异值差分谱方法、特征均值方法以及奇异值中值方法,对两个空间的奇异值矩阵处理后,再重构信号,实现降低测量信号噪声的目的。利用计算数据和图像说明不同奇异值选择方法的降噪效果,得出奇异值中值方法对齿轮断齿故障信号降噪效果最佳。     

基于奇异值分解及包络分析的齿轮局部故障特征提取

提出了将信号进行相空间重构后再采用奇异值分解,对分解后的主成分进行包络分析,从而提取信号的隐含特征的方法,并将该方法应用于齿轮的局部故障振动特征信号的提取中.数值仿真实验结果表明,该方法能有效提取强背景信号及噪声中的弱冲击特征信号,是一种有效的弱信号特征提取方法.采用该方法对齿轮振动信号进行故障特征提取与识别,结果与实际情况相符.     

基于细化谱和隐马尔科夫模型的齿轮故障分类方法

为了快速准确地对齿轮故障作出分类,结合隐马尔科夫模型（HMM）高效的模式分类能力,提出了基于细化谱（ZOOMFFT）和隐马尔科夫模型的故障分类方法。采用时域同步平均法从复杂信号中提取目标齿轮的啮合信号作为分析对象,对其进行细化谱分析,提取基频、倍频及其边频带幅值作为特征量输入到HMM中训练和识别,再通过对比对数似然概率值来确定齿轮故障类型。试验结果表明该方法可以有效地对齿轮故障进行分类。     

基于SSA-VMD和SVM的滚珠丝杠副故障诊断

针对滚珠丝杠副故障特征提取困难的问题,提出一种基于麻雀搜索算法优化变分模态分解算法（SSA-VMD）结合支持向量机（SVM）的滚珠丝杠副故障诊断方法。以最小包络熵作为SSA的适应度函数,对VMD参数进行自主寻优;运用IMF能量值对分解信号进行筛选重构,去除噪声和无关成分的干扰;最后提取重构信号的8类时域特征参数和5类频域特征参数作为特征向量集,导入SVM进行故障识别模型的训练。通过搭建滚珠丝杠副故障诊断实验平台采集振动信号,分别采用SSA-VMD、VMD、EMD方法进行信号分解提取故障特征。实验结果表明:与VMD和EMD相比,SSA-VMD能针对不同的信号自主选择最优的VMD参数进行信号分解,能准确识别滚珠丝杠副故障类型,证明了基于SSA-VMD的滚珠丝杠副故障诊断的可行性和准确性。     

基于VMD能量熵和HMM的行星齿轮箱故障识别方法

针对行星齿轮箱振动信号成分复杂、非平稳、非线性的特点,提出一种基于变分模态分解(VMD)能量熵和隐马尔科夫模型(HMM)的故障识别方法。利用VMD算法对不同故障类型的齿轮振动信号进行分解,提取经信号分解得到的各阶本征模态函数(IMF)的能量熵。基于不同故障类型的各IMF分量能量熵在分布上的各异性,将其集合作为故障识别的特征向量。利用不同故障类型的特征向量组成的训练集训练HMM,计算最大对数似然概率值,用于判断测试样本的故障类型。利用该方法对一定转速下行星轮的3种故障进行识别,结果表明：当载荷不同时,它对行星轮齿根裂纹、断齿和齿面磨损3种故障的平均识别率可达到95.83%     

基于小波包分解与K L变换的齿轮泵振动信号故障特征提取方法

针对齿轮泵故障成因复杂、模糊性强的特点,结合小波包分解与K-L变换,提出一种适用于支持向量机故障诊断的特征提取方法。通过小波包对样本故障振动信号进行分解得到特征向量,而后利用K-L变换处理得到新的特征向量集,达到降维去噪的目的。将处理后的特征向量集用于支持向量机的模型训练,分析结果表明:该方法能够有效提高故障模式识别准确率和识别效率。     

基于多传感数据融合的变速运行齿轮异常振动故障诊断

变速运行齿轮异常振动故障诊断性能过差会增加汽车维护成本,缩短齿轮使用寿命。为了及时识别齿轮故障,保证汽车变速器总成具有良好的振动特性,提出基于多传感数据融合的变速运行齿轮异常振动故障诊断方法。通过分析多传感器数据融合技术,掌握变速运行齿轮异常振动故障诊断的理论框架,并以此为基础,参考传感器融合模块、特征级并行多神经网络局部诊断模块和终端分类模块,结合变分模态分解、多通道加权融合和单隐层前馈神经网络训练算法,从信号采集、信号特征提取和信号特征分类3个步骤实现变速运行齿轮异常振动故障诊断。实验结果表明：在齿轮发生轻度磨损时,磨损振动信号的幅值在20~40 mV之间,磨损振动信号的频率在0~4 000 Hz区间;中度磨损时,信号的幅值在30~55 mV之间,信号频率在3 000~7 000 Hz区间;重度磨损时,信号幅值在50~70 mV之间,信号频率在6 000~12 000 Hz区间,且各阶段诊断结果均与故障程度的实际转折点吻合。由此可知在各样本数量均相同的情况下,提出的故障诊断方法预测值与真实值均相同,故障程度和故障类型的诊断性能均较好。     

基于全矢NA-MEMD的滚动轴承故障诊断方法

针对EMD分解多通道信号得到的IMF分量在数量和频率成分出现的不匹配现象和单通道分析方法存在信息利用不充分的问题,提出了一种基于噪声辅助多维经验模式分解(NA-MEMD)与全矢谱结合的滚动轴承故障诊断方法——全矢NA-MEMD。利用NA-MEMD对同源双通道信号和噪声辅助信号构成的多通道信息自适应分解成一系列IMF分量;根据相关系数从同源双通道中选取包含故障主要信息的IMF分量进行重构;将重构信号进行全矢信息融合来提取故障特征。通过仿真信号和实验信号分析验证该方法的有效性。