高速动车组齿轮箱断齿故障振动研究

为获得高速动车组齿轮箱的动力学响应,更好分析高速动车组故障齿轮箱系统振动特性,解决开发动车组齿轮箱故障检测系统时存在的齿轮箱故障物理样本稀缺、检测算法研究缺乏充足的校验输入信号的问题。依据相关参数构造高速动车组转向架-齿轮箱CAD模型,基于Adams/View搭建动车组转向架-齿轮箱动力学模型。通过模拟正常工况和断齿的故障工况,仿真获取检测方案测点的动态响应。对比分析发现:断齿故障会导致齿轮箱振动能量增强,出现振动冲击特征,啮合频率幅值降低且出现边频带;同时,幅值的极值点由啮合频率变为转频。通过研究断齿故障下齿轮箱的振动特点,可以实现对高速动车组齿轮箱故障的快速诊断,为齿轮箱故障检测系统开发提供支撑。     

谐波小波解调法在齿轮箱故障诊断中的应用

在研究谐波小波频段分解与Hilbert解调分析的基础上,提出了基于谐波小波包变换的解调分析法,并详述了其具体实现过程。该方法根据齿轮箱频谱特征与齿轮箱故障特征频率的理论计算值,确定所需提取的特征啮合分量,并在此基础上选择谐波小波包分解层数与所需提取的频带带宽;通过傅里叶变换及其反变换提取出相应的特征啮合分量,然后借助Hilbert算子对提取出的啮合分量进行包络解调分析。采用这种方法对存在磨损及点蚀故障的齿轮箱振动信号进行了分析,结果表明,基于谐波小波包的包络解调法具有精确提取任意频段调制信息的能力,能够为齿轮箱故障源的准确定位及故障程度提供可靠的判断依据。     

风电齿轮箱的故障分析及诊断

文中设计了一套风电齿轮箱的故障分析和诊断方法,采用小波分析法对所收集的信号进行时域、频域和时频数据分析,参考风电齿轮箱的主要故障及其振动信号特征,通过对比,做出故障类型判断。一定程度上避免了因故障带来的经济损失。     

基于时序结构KICA和OCSVM的过程故障检测方法

核独立元分析故障检测方法中,快速独立元分析法易受分离矩阵初值影响且没有考虑数据的时序结构信息,Mahalanobis距离型监控量会导致故障检测率的降低。针对以上问题,提出基于时序结构核独立元分析和单类支持向量机的故障检测方法,将核独立元求解问题转化为核白化数据时延协方差矩阵加权和的特征值分解问题,采用提取的独立元建立单类支持向量机统计模型,构造监控统计量来检测过程故障。独立元信号提取实验和田纳西-伊斯曼(TE)过程故障检测实验表明:所提方法能够有效利用数据的时序结构信息,避免分离矩阵初值对独立元提取的影响,能够有效缩短故障检测的延迟时间,提高故障检测率。     

齿轮箱在线故障诊断系统设计及应用

为了尽早发现齿轮箱台架寿命试验中的故障发生及其位置,避免对试验设备及人员造成伤害,针对齿轮箱工作过程中的安全问题,开发了一套齿轮箱在线故障诊断系统。该系统利用加速度传感器检测箱体的振动信号,通过时域分析实现齿轮箱试验的实时监测与故障预警;对时域信号进行时频域分析,采用ZFFT（基于复调制的细化频谱算法）细化频谱方法处理频域信号,通过分析典型故障信号特征,建立故障特征向量,实现故障类型判定。试验结果表明,该系统能实现齿轮箱故障预判,并能准确识别出典型故障。     

基于时序-BP网络的齿轮故障诊断方法及应用

提出了一种基于时序和反向传播网络(Back-Propagation Network,BP)相结合的诊断方法.通过对齿轮箱正常和故障运行状态的振动信号进行时序分析,利用时序模型提取齿轮不同状态的特征,并以其自回归参数组成特征向量作为BP网络分类器的输入进行网络训练,从而实现了对齿轮正常、裂纹和局部点蚀的状态识别与诊断.结果表明,基于时序-BP网络结合的方法对于多故障分类和检测是一种非常有效的诊断手段.     

一种基于DSP的风电机组齿轮箱故障在线自动识别方法

目前风电机组故障诊断主要是现场对机组数据进行采集,再通过人机交互的方式对数据进行离线处理和分析,评估机组的状态.由于机组数量多,传动系统结构复杂,测点多,数据分析任务重,状态报告往往滞后,容易故障漏报.本文提出了一种基于DSP的风电机组齿轮箱故障在线自动识别的方法,根据齿轮箱振动特性原理,采用阶比分析与幅值调制算法,求取相应的幅值调制比率,对幅值调制比率进行分析,判别故障状态.以数字信号处理器TMS320C6748为实现平台,针对齿轮箱不同工况下采集的定速与变速振动加速度信号的自动处理,验证故障在线自动识别的准确性和可靠性,人机交互界面可以直观显示齿轮箱运行状态.齿轮箱状态在线识别对于降低风电机组运维费用、提高效率具有重要的意义.     

基于参数优化变分模态分解与支持向量机的齿轮箱故障诊断

齿轮箱故障振动信号具有非线性、非平稳的特点,在故障早期难以实现故障特征的提取和故障类型的识别。本文提出磷虾群算法（krill herd algorithm, KHA）-变分模态分解（variational mode decomposition,VMD）-多尺度排列熵（multi-scale permutation entropy,MPE)与支持向量机(support vector machine,SVM)相结合的齿轮箱故障类型识别算法。首先对采集到的齿轮箱振动信号利用KHA优化的VMD进行分解,选取有效分量进行重构,然后求取其MPE作为特征向量,最后将特征向量输入SVM进行故障类型的识别。通过实测数据的分析表明,故障类型识别准确率达到了99.14%,该方法在机车车辆、发电机组等装备的齿轮箱状态监测和故障诊断中具有一定的参考价值。     

基于动态惯性权重粒子群算法的齿轮箱故障诊断研究

针对工程上齿轮箱实时监测和故障诊断的需要,对JZQ250型齿轮箱展开研究,提出了基于动态惯性权重PSO算法训练BP神经网络的齿轮箱故障诊断方法。通过时域参数分析提取监测特征值作为齿轮箱的状态监测值,将故障特征向量作为神经网络的输入向量进行故障诊断,并与BP算法的诊断结果进行了比较。实验结果表明,动态惯性权重PSO算法具有收敛速度快,经过神经网络学习训练后能较好地收敛于最优解;该算法用于齿轮箱故障诊断效果理想,能够准确进行齿轮箱故障定位,在故障诊断领域里具有广泛的应用前景。     

时序分析法在沈阳地铁二号线变形预测的应用

目的研究时序分析法在地铁工程变形沉降监测数据分析和处理的实用性,确定时序分析法对岩土勘察监测数据的拟合预测精度.方法通过对沈阳地铁二号线工程变形沉降监测数据的分析,建立时序分析模型.利用该模型对实测监测数据进行预测.结果利用该时序分析模型预测的后5期高程值残差在0.3 mm以内,说明时序分析法可以有效地找出变形沉降监测数据的变化规律.结论时序分析法在地铁工程变形沉降监测数据的分析和预测上具有较高的精准度,可以地铁工程的设计和施工提供参考依据.     

基于多方法结合应用的齿轮箱故障特征提取研究

基于振动信号分析的齿轮箱故障诊断的关键是实现对信号中故障特征的提取.由于在工程实际中采集到的齿轮箱振动信号含有较强的噪声干扰,所以单一的信号分析方法难以实现对故障特征的提取.因此将两种或两种以上方法相结合应用于齿轮箱振动信号的处理成为当前的研究趋势.为研究将不同方法相结合应用于齿轮箱故障信号特征提取的优势,对大量文献的研究成果进行了归纳整理.综合分析发现:将多种方法结合应用于齿轮箱振动信号特征提取,可有效避免单一方法的局限性,充分发挥不同方法的优势.总结了在齿轮箱故障诊断领域中分别以频谱分析为基础和以非线性理论为基础的将不同信号处理方法结合应用于齿轮箱故障特征提取的现状,最后针对多种方法结合应用于齿轮箱故障诊断的发展趋势提出了建议.     

基于经验模态分解的齿轮箱故障特征提取

利用小波去噪阈值法对齿轮箱故障振动信号进行去噪,将经验模态分解(EMD)和快速傅里叶变换(FFT)相结合对齿轮箱故障进行特征提取,此方法适合于对非线性非稳态信号进行自适应的分析.利用小波阈值去噪方法对原始信号进行预处理,将去噪后的信号进行经验模态分解,得到一定数量的本征模态函数(IMF)分量,选取特定的IMF进行FFT,得到相应的功率谱,从而达到提取齿轮箱故障特征频率的目的.对齿轮箱故障信号进行分析,结果表明该方法能够有效地识别出齿轮箱故障特征频率.     

基于ITD和模糊聚类的齿轮箱故障诊断方法

为提高齿轮箱故障诊断的准确性与效率,针对其振动信号非线性和非平稳性的特点,提出将固有时间尺度分解(ITD)和模糊聚类(FCM)相结合的齿轮箱故障诊断方法。首先对齿轮箱振动信号进行固有时间尺度分解,提取包含主要故障信息的前4个固有旋转分量(PRC),求取PRC的特征能量作为故障特征向量。然后利用模糊C-均值聚类算法对齿轮箱故障进行识别与诊断,并将该方法应用到现场齿轮箱的诊断中。结果表明,诊断结果与实际情况完全相符,该方法比经验模式分解与模糊聚类相结合的方法具有更高的计算速度和精度,为齿轮箱故障诊断提供了一种新的有效方法。     

基于深度置信网络的齿轮箱智能诊断方法

针对油田现场强背景噪声干扰下,难以实现齿轮箱故障精确诊断的问题,提出基于深度置信网络(Deep Belief Network,DBN)的齿轮箱智能诊断方法。首先运用变分模态分解(Variational Mode Decomposition,VMD)对齿轮箱振动信号分别进行分解;然后依据互相关准则对小于阈值的模态运用最大相关峭度解卷积(Maximum Correlated Kurtosis Deconvolution,MCKD)进行降噪滤波处理,并对降噪后的信号进行重构;最后构造故障特征集,实现基于DBN的故障特征自适应挖掘与故障模式智能识别。对现场的齿轮箱故障诊断表明,本文提出的方法具有自适应性,能显著提高故障分类准确率,为保障油田设备安全可靠运行提供了依据。     

变工况时频脊流形早期故障预警方法研究

针对风电机组齿轮箱工况复杂多变,提出了一种基于Gabor重排对数时频脊流形早期故障预警方法.该方法首先研究提取Gabor重排对数时频谱的脊线,构建早期故障高维特征向量;然后研究改进局部切空间流形学习方法,进行维数约简;最后采用K-近邻分类器,实现变工况风电机组齿轮箱的早期故障识别与预警.通过变转速、变载荷等多种工况的行星齿轮箱磨损试验与风电机组现场运行数据验证,结果表明该方法有效提高了复杂变工况风电机组齿轮箱早期故障预警准确率,可为其预知维护提供可靠依据.      

基于模态测试与分析的齿轮箱测点优化

针对齿轮箱状态检测和故障诊断中,传感器数量难以确定,测点难以定位的问题,提出根据不同测点的频响特性优化测点的方法.在搭建了齿轮箱模态测试系统后,采用锤击模态测试方法对JZQ250齿轮箱模态进行了实测,并识别出箱体的振型和模态参数.重点对箱盖10个测点频响函数特性进行分析,比较测点3个方向频率响应的强弱,给出了10个测点布设传感器的排序.结果表明:箱体上靠近轴承处布设测点,在3个方向上总体上响应强烈,受激励点影响较小;而箱体边缘处测点幅值大小与激励点有关.     

一种改进轻量化神经网络的齿轮箱故障诊断方法

针对齿轮箱故障诊断精度低以及深度神经网络模型对计算机硬件要求高等问题,提出了Shuffle-ECANet网络模型用于齿轮箱故障诊断。该模型以轻量化神经网络ShuffleNet V2为基础,在保留网络轻量化结构的同时对网络模型进行了优化,采用Gelu激活函数增强了模型非线性变换能力,嵌入高效通道注意力(efficient channel attention, ECA)模块以提高网络性能。深度可分离卷积提高了网络模型的运算效率,通道混洗技术使得信息更加流通,提高了特征表达能力。实验结果表明,本文所提网络模型在保证轻量化的同时适用于不同噪声工况的齿轮箱故障诊断,在原信号下可达99.6%的诊断准确率,在添加了信噪比为-8 dB的高斯白噪声下可达92.7%的诊断准确率。本文所提方法为神经网络更好地应用于齿轮箱故障诊断提供了一条新的途经。     

粒子群优化算法在齿轮箱振动信号去噪中的应用

 以振动频谱分析和粒子群优化算法为主要理论依据,以风力涡轮机齿轮箱为例,提出一种基于一维加速搜索算法和粒子群优化的齿轮箱振动信号去噪方法。利用一维加速搜索算法缩减搜索范围,应用粒子群优化算法提升优化效果,对切比雪夫带通滤波器和Morlet小波滤波器的设计参数进行优化,并对齿轮箱故障振动信号进行滤波处理。仿真实验结果表明,此方法能够实现快速有效滤波去噪,适用于齿轮箱实时故障诊断的研究,具有一定的理论研究价值和实践应用价值。