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LabVIEW的多功能转子故障模拟测试系统设计

不平衡、不对中、弯曲、松动、碰摩等故障常导致旋转机械动态特性恶化。对转子振动信号的监测与分析,是判断设备故障类型及预测故障发展趋势的主要手段。本文开发出一种可实现故障模拟的多功能转子振动测试系统。通过改变轮盘的不平衡质量、调整轴承座的高度、控制润滑状态等方法模拟转子动平衡、不对中、轴承故障等多项实验。测试系统由转子实验台、传感器与信号调理设备、NI公司的6009数据采集卡及计算机组成。采用LabVIEW8．5设计了测试系统软件,详细讨论了转速、加速度及位移信号的采集与处理方法。测试结果表明,不同工作状态下轴承座振动信号的时域、频域波形和转子轴心轨迹形状可用于表征转子各单项及综合故障。     

改进双树复小波变换和高阶累积量的齿轮箱信号降噪方法

采用传统阈值降噪方法对小波系数分别进行软、硬阈值处理时在强背景噪声下提取的齿轮箱故障振动信号效果不理想,且实、虚部分离的阈值处理方法会引起局部相位失真。利用双树复小波变换的平移不变性,提出了双树复小波变换和高阶累积量的齿轮箱振动信号降噪方法。对分解和单支重构后的各双树复小波系数采用了四阶累积量的处理方法,根据信号和噪声的统计特性进行信噪分离。由于小波分解层数会直接影响信号的去噪效果,因此,采用粒子群算法优化小波的分解层数。仿真和实验信号处理结果表明:该方法与双树复小波变换的软、硬阈值处理方法相比,在不同信号和噪声水平下更能有效地抑制噪声干扰,提高信噪比,并且能够满足实验中对采集到的振动信号进行特征提取的需求。     

含齿根早期裂纹损伤的行星齿轮箱故障机理研究

行星齿轮箱中齿根早期裂纹损伤的故障特征微弱,导致其难以被识别.为揭示齿根早期裂纹的故障机理,采用集中参数法建立计入裂纹损伤效应的行星齿轮箱传动-结构耦合非线性动力学模型.首先,基于势能法建立含齿根裂纹损伤的齿轮副啮合刚度与传动误差计算模型,通过刚度激励函数与位移激励函数将裂纹损伤的效应纳入行星传动系统的非线性动力学模型,进而求解行星传动系统的振动响应,结果表明内、外传动支路之间的传动误差差异导致各支路载荷分配不均.其次,采用ANSYSWorkbench建立箱体结构的有限元模型.将行星传动系统中太阳轮、行星架以及内齿圈的支承反力施加于箱体结构的相应轴承座处,并通过窗函数计入行星架旋转对信号的调制效应以获取行星齿轮箱的振动信号;通过对箱体振动信号的频谱分析,提取了行星齿轮箱齿根早期裂纹损伤的故障特征.最后,搭建动力传动故障模拟实验台,对存在齿根早期裂纹损伤的行星齿轮箱进行了振动测试.仿真信号与实测信号基本一致,表明所建行星齿轮箱传动-结构耦合动力学模型能准确揭示行星齿轮箱齿根早期裂纹损伤的故障机理.行星齿轮箱中齿根早期裂纹损伤的故障特征表现为以啮合频率为中心、故障特征频率的分数倍频及行星架转频为间隔的调制边带.     

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。     

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。     

基于振动信号时域分析法的铣齿机故障诊断

高速干切数控螺旋锥齿轮铣齿机在铣齿加工过程中存在振动现象明显、稳定性差、加工精度低,所加工的工件齿面有振纹等技术问题。为了解决这些问题,通过对铣齿机的结构和切削受力进行分析,建立了铣齿机刀具主轴系统的振动模型。依据振动模型设计了基于铣齿机的振动测试实验方案;并完成了振动信号的采集。在信号处理中,为了从实验数据中解析出故障特征信息,采用了时域分析法中的波形诊断方法和数值分析诊断方法。根据振动信号的时域分析结果,得出了机床产生振动的根源,即机床主轴存在轻微的不平衡、主轴前轴承存在损伤和刚度不足的问题。研究结果为机床结构的优化设计提供了参考依据。     

基于多域流形的行星齿轮箱局部故障识别

行星齿轮箱振动信号包含多种频率成分和噪声干扰,频谱具有复杂的边带结构,容易对故障识别造成误导甚至引起错判.在不同故障状态下,行星齿轮箱振动信号的多域特征量将偏离正常范围且偏离程度不同,根据这一特点,提取振动信号的时域、频域特征参量用于故障识别.为了避免传统分析方法中负频率及虚假模态问题,增强对噪声干扰的鲁棒性,采用局部均值分解法将信号自适应地分解为单分量之和,提取时频域单分量瞬时幅值能量.针对多域特征空间构造过程中出现的高维及非线性问题,采用流形学习对数据进行降维处理.提出基于改进的虚假近邻点的本征维数估计及最优k邻域确定方法,并通过等距映射对多域特征空间进行降维分析.对于行星齿轮箱实验信号,根据样本流形特征聚类结果,分别识别出了太阳轮、行星轮和齿圈的局部故障,从而验证了上述方法的有效性.     

EMD在汽车变速齿轮箱振动故障分析的应用

采用经验模态分解和能量特征值对振动加速度传感器获取的汽车齿轮箱振动信号进行特性分析.利用经验模态分解获得振动信号的本征模态函数,并对本征模态函数进行系数-能量计算,提取系统的特征信息,对汽车齿轮箱的故障进行诊断,从而实现在线监测汽车齿轮变速箱运转工作状态,及时发现齿轮箱的早期故障,提高汽车运行的安全性.仿真研究结果表明经验模态分解方法在故障信息诊断方面是可行的和有效的,并能够提高故障检测的可靠性.     

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。     

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.     

基于双树复小波分解的风机齿轮箱故障诊断

风机齿轮箱振动信号具有非平稳、非高斯特性,多种模式混叠和复杂的传递路径使得故障信息微弱完全淹没在噪声之中.针对故障特征提取的难题,将双树复小波变换引入振动信号分析,提出了一种新的工业风力发电机齿轮箱故障诊断方法.首先对风机齿轮箱振动信号进行双树复小波分解,然后计算各频带分量的峭度值,利用峭度筛选故障敏感分量.最后对故障敏感分量进行频谱分析提取故障特征频率.实验结果表明:双树复小波变换可将复杂信号分解为不同频带分量,抑制平移敏感性和频率混叠.与传统离散小波变换相比,能有效抑制虚假频率出现并准确提取故障特征.本文提出的方法已成功用于风力发电机工业运行监测并准确诊断多种类型的齿轮箱故障.     

小波降噪在齿轮箱故障诊断中的应用

以JZQ250型号齿轮箱为实验对象,根据实际状况下齿轮箱的故障机理和振动特点,通过小波变换将振动信号分解为位于不同频段和时段内的成分,使干扰信号和有用信号位于不同的频带内,将干扰信号所对应的那一阶小波系数置零,进行信号重构,再得到降噪后的信号．作包络功率谱分析,能有效地对齿轮箱故障进行诊断分析．     

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。     

齿轮箱故障诊断中小波技术的应用

针对齿轮箱故障振动信号的特点,分析了采用傅里叶变换对齿轮故障诊断信号分析技术的不足,提出了采用小波变换的方法提取齿轮箱故障振动信号;通过实例分析,阐明了应用小波变换技术对齿轮箱故障诊断的有效性.     

齿轮箱升降速过程阶次倒谱故障诊断方法研究

齿轮箱升降速过程中的振动信号包含有重要的参考信息,研究该过程中的振动信号,有助于识别齿轮箱的故障.将常规的倒谱分析技术与阶次分析相结合,提出了阶次倒谱的齿轮箱故障诊断方法.首先利用重采样技术,将时域非平稳信号转化为角域平稳信号,最后对角域重采样信号进行倒阶次谱分析,就可提取齿轮的故障特征.实验分析结果表明该方法能有效地识别齿轮的故障类型.图8,表1,参8.     

基于阶次双谱分析的齿轮故障诊断研究

针对齿轮箱升降速过程中振动信号非平稳的特点，将双谱分析技术与阶次谱分析相结合，提出了阶次双谱的齿轮箱故障诊断方法．首先对齿轮箱升降速瞬态振动信号进行时域等时间间隔采样，再对时域信号实行等角度间隔重采样，转化为角域平稳信号，最后对角域重采样信号进行双谱分析，就可提取齿轮的故障特征．通过对齿轮齿根裂纹故障实验信号的分析，表明阶次双谱分析能有效地诊断齿轮的裂纹故障．     

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.     

微弱振动信号采集及分析系统设计

针对机械振动等包含低频微弱信号的振动设备,设计了一种微弱振动信号实时采集与分析系统。该系统通过TI的DSP芯片TMS320VC5509A对微弱振动信号完成数据的实时采集并将采样数据发送至上位机,通过上位机软件对微弱振动信号进行实时的处理与分析,从而发现微弱振动信号中的一些有用特征。实验表明该系统能够很好的绘制出低频微弱信号时域与频域波形,分析出低频微弱信号的一些不良特征,具有实际应用价值。     

一维卷积神经网络在往复式压缩机气阀故障诊断中的应用

针对往复式压缩机气阀故障诊断问题，对气阀盖上的振动信号进行分析，提出了一种基于一维卷积神经网络(1D-CNN)的故障诊断模型。首先，将原始一维振动信号经傅里叶变换从时域转换为频域；然后，将频域信号作为1D-CNN的输入，利用卷积层实现自适应提取特征；最后，网络输出层利用Softmax函数实现多种故障的模式识别。在往复式压缩机故障模拟实验台上进行了气阀正常、阀片裂纹、阀片断裂、弹簧失效4种工作状况下气阀盖振动信号的测量并对提出的模型进行验证。结果表明，气阀盖上的振动信号能够明显反映气阀的工作状态，而且信号易提取、十分适合用于气阀的故障诊断；将振动信号从时域转换成频域作为1D-CNN的输入明显地提高了故障分类的准确率；与采用原始一维振动信号作为1D-CNN输入的模型相比，采用频域信号作为输入的故障诊断模型具有更优越的表现，准确率更高，可达100%,而且模型结构简单，能够实现端到端的快速故障诊断。