引入自适应学习率的深度学习模型及其应用

为了有效利用振动信号进行故障诊断,提出了一种基于自适应学习率的深度学习的行星齿轮箱故障诊断模型.针对深度信念网络(DBN)模型中学习率通常采用全局统一的常数型参数,提出了一种根据目标函数梯度的变化情况自适应调整学习率的DBN模型.采用学习率自适应调整的学习策略,能够加快DBN模型的迭代收敛速度,同时还能提高模型的识别准确率.将引入自适应学习率的DBN模型应用于行星齿轮箱故障诊断,直接通过原始振动信号实现行星齿轮箱健康状态的识别.实验结果表明:相比于其他特征提取、分类方法以及原始的DBN模型,提出的深度学习模型能够更有效地实现行星齿轮箱的故障诊断.     

大型船用齿轮箱传动系统的动态耦合特性

考虑输入和输出端横向振动与系统扭转振动的耦合作用,建立大型船用齿轮箱三级齿轮传动系统横扭耦合动力学分析模型,利用基于能量的Lagrance法建立传动系统耦合动力学方程。采用Matlab软件计算了在时变啮合刚度和误差激励下的某大型船用齿轮传动系统固有特性和动态响应分析,得出系统动态良好,不存在共振现象,在工作负载下系统处于概周期振动的结论。     

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.     

连铸连轧线杆生产线主剪切机变速箱轴承润滑方式的改造

本文对铝杆连铸连轧生产线生产过程中主剪切机各轴承不能得到充分润滑,从而使设备出现剧烈振动,异常噪音及轴承高温升等问题的解决过程进行了详尽的分析。     

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。     

转向架齿轮箱动力学建模与故障量化分类方法研究

精确的故障诊断技术是运营安全性和维护高效性的重要支撑,基于动力学建模和频域特征分析,提出齿轮故障的波峰计数量化分类方法,以定量的方式实现故障类型的精确区分。首先,建立可以精确区分正常及擦伤、缺角和齿根裂纹等类型故障的齿轮动力学模型,获得齿轮故障的动力学响应特征,然后基于模型仿真信号的频域特征,提出精确区分不同类型故障的波峰计数诊断方法,最后,以转向架高保真故障模拟试验台开展齿轮故障模拟试验,验证动力学模型特征分析的准确性和量化诊断方法的有效性。研究结果表明：在一定的故障严重程度下,裂纹、擦伤、缺角、正常这4种状态的波峰计数依次减小,利用波峰计数方法可准确划分故障类型。本文研究为转向架齿轮故障动力学特性分析和故障诊断提供了重要方法。     

应用倒频谱分析法对风力发电机组齿轮箱故障诊断

针对风力发电机组齿轮箱运行环境恶劣,故障信号中调制边频带复杂这一特点,采用基于倒频谱方法对故障特征进行了分析,提高了故障诊断的准确性,并给出了应用实例,为风力发电机组设备管理与诊断提供了一种有效的途径。     

基于AFSA-PSO-LSSVM的风电机组齿轮箱故障诊断

针对LSSVM算法参数优化选取的问题,提出一种结合人工鱼群(AFSA)和粒子群优化(PSO)的混合智能算法,优化LSSVM的参数,利用AFSA算法进行全局寻优搜索参数初值,PSO算法局部更新最优解、加速跳出局部最优。最后通过对风电机组齿轮箱振动加速度数据进行模拟实验,建立了PSO-LSSVM、AFSA-LSSVM和AFSA-PSO-LSSVM算法模型。实验结果表明,AFSA-PSO-LSSVM相较于PSO-LSSVM和AFSA-LSSVM模型,收敛速度更快、精度更高,验证了方法的有效性。     

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。     

小波分析在大型齿轮箱故障诊断中的应用

介绍了小波分析的原理及在大型齿轮箱故障诊断中的应用。通过现场的应用实例，讨论小波分析在大型齿轮箱故障诊断中的应用效果。