提升机齿轮箱振动频谱诊断中边频分析方法

提升机齿轮箱的振动频谱中存在丰富的低频边频带。讨论了通过频谱细化技术提高特征频率分辨率,并联合使用倒频谱分析技术对低频边频成分进行分离提取,从而提高了故障诊断准确性。     

风电机组振动监测案例分析

正随着我国风电行业规模的扩大,风电机组的运行维护工作显得越来越重要,如何做好风电场的计划维护,降低风电场设备的故障率,提高设备的可靠性,对于风电项目的盈利与否,将起到非常关键的作用。风电机组的维护维修引入振动检测技术,可以有效的减轻技术人员的工作量,提高维护维修的效率,降低维护维修的成本。振动监测技术可以定义为识别机械设备(机器或机组)运行状态的一门综合性的应用科学,主要研究机械设备运行     

基于CLSSVM的风电机组齿轮箱故障诊断

针对风电机组齿轮箱传统故障诊断方法以全局误诊断率最小化为目标,忽略了误分类型之间的差别的问题,提出基于代价敏感最小二乘支持向量机(Cost-sensitive Least Squares Support Vector Machine,CLSSVM)的风电机组齿轮箱故障诊断方法。该方法在最小二乘支持向量机原始最优化问题中二次损失函数中嵌入不同样本的误分类代价,建立以误分类代价最小化为目标的CLSSVM故障诊断模型,并同最小二乘支持向量机和代价敏感支持向量机比较。实验结果表明,该方法能提高误分类代价高的故障类样本的诊断正确率,具有代价敏感性,其训练速度也足以满足风电机组齿轮箱故障诊断实时性的需求。     

齿轮箱运行状态综合诊断平台设计与开发

基于齿轮箱广泛应用于机械设备的现状，满足企业对于其运行状态评估的现实需求，研究设计了针对齿轮箱监测和诊断的平台系统，以温度、振动等多源指标实时监控齿轮箱运行状况，并基于专家系统对异常数据进行诊断与反馈。以J2EE平台和SSH三层架构进行系统开发，通过底层调用MySQL、界面层运用ECharts对数据进行操作；以Jess引擎作为核心推理模块，建立基于孤立森林与模糊推理的专家系统。该系统可实时地显示齿轮箱运行数据，并完成对异常数据的诊断反馈，能够有效地应用于实际工业领域。     

基于SSA-VMD和2.5维谱的齿轮箱磨损故障诊断

针对行星齿轮箱实际工况中存在多种频率耦合无法直接提取故障特征频率的问题,提出一种基于樽海鞘群算法优化变分模态分解(SSA-VMD)结合2.5维谱的故障诊断方法。运用SSA优化VMD的参数;运用自相关系数对分解信号进行重构,降低噪声的干扰;最后运用2.5维谱对重构信号中的频率耦合进行解耦运算。搭建行星齿轮箱磨损故障全生命周期实验台采集振动信号,运用提出的方法解耦出参与耦合的故障频率成分,揭示了行星齿轮箱磨损故障演化规律。研究结果表明：随着磨损故障程度的加深,磨损故障特征频率明显增多。     

装甲车辆齿轮主传动系统的建模与辨识

为了实现装甲车辆齿轮主传动系统的在线检测与诊断,在介绍对装甲车辆齿轮主传动系统进行故障诊断与预测必要性的基础上,运用镜像映射变换(FHR)算法实现了系统的建模与辨识。具体的建模过程包括对实测数据的检验与预处理、模型形式的选择、模型参数的估计和模型适用性检验等内容。通过对装甲车辆齿轮主传动系统的振动信号测试与分析,分别建立了单输入单输出及多输入多输出系统的受控AR模型,辨识了系统参数。通过实测结果与辨识结果的对比分析,表明该方法是正确、有效的。     

风力发电齿轮箱设计制造技术的发展与展望

概括描述了世界风力发电的现状及发展趋势;阐述了大型风电增速齿轮箱的设计制造关键技术,介绍了ANSI6006标准的主要内容;分析了我国大型风力发电增速齿轮箱设计制造技术的现状、存在问题及发展前景.     

基于最小互信息准则的盲源分离在齿轮箱故障诊断中的应用

提出一种利用盲源分离技术对齿轮箱混合故障进行诊断的方法。该方法以最小互信息量为准则,采用自然梯度的自适应算法求解统计独立源信号的估计值,并根据分离信号的频谱成功地提取了混合故障的特征信息,有效地诊断出齿轮箱所处的故障状态。     

基于径向基网络的变速箱载荷识别研究

提出了一种基于径向基网络的识别变速箱载荷的新方法,该方法应用径向基函数网络建立了箱体表面振动响应信号与轴承激励之问的非参数映射模型。通过变速箱在随机激励下的载荷识别结果表明,这种利用径向基网络识别变速箱载荷的方法是可行的,并且具有识别精度高、运算速度快及稳定性好等优点。     

粒子群优化的神经网络在故障诊断中的应用

为提高齿轮箱故障诊断性能，建立了以齿轮箱振动信号的时频域特征为输入，以齿轮箱的主要故障形式为输出的神经网络。采用粒子群优化算法代替反向传播算法来训练神经网络的权重和阈值，利用训练后的神经网络对齿轮箱进行了故障诊断，并比较了基于粒子群优化算法与BP算法的诊断结果。结论是基于粒子群优化算法神经网络具有较好训练性能，收敛速度快，迭代步数少，诊断精度高，具有良好的故障识别率。