基于小波神经网络的齿轮系统故障诊断

通过对齿轮系统在不同的运转状态下不同的故障类型进行试验测试分析,获取了有关的测试信号,对振动特征信号进行了小波阈值去噪,采用离散小波变换(DWT)对去噪后的信号进行8层分解处理,对各层的小波系数进行了小波重构,得到8层细节信号和1层近似信号,并计算了各层信号的能量,得到了信号的能量分布特征.在此基础上把各层信号特征作为神经网络的输入,进行了网络的研究、分析处理和故障分类,并对小波神经网络方法与单独采用神经网络方法的故障诊断结果进行了比较评价.研究表明,去噪处理后的效果比没有去噪的信号特征更加明显,而采用小波神经网络诊断方法,对于齿轮无故障、齿根裂纹故障、分度圆裂纹故障和齿面磨损故障能够进行很好地区分与诊断,其诊断成功率均在95%以上,可对实际工程工作的齿轮系统进行故障诊断.      

齿轮故障识别的密度峰值聚类欠定盲源分离算法

为提高盲源分离算法在振动源数目估计问题中的噪声鲁棒性，提出了一种基于密度峰值聚类的欠定盲源分离算法。对预处理后的信号提取单源点，通过密度峰值聚类对单源点进行聚类得到混合矩阵的估计值。通过基于压缩感知模型对源信号进行重构，得到分离信号。为验证所提算法分离准确性和噪声鲁棒性，用所提算法对不同信噪比下的仿真信号进行分离，结果显示：在信噪比不低于4 dB时，所提算法均可以准确分离出源信号，算法的准确性和鲁棒性得到验证。设计旋转部件故障诊断试验台对所提算法在实际应用中的有效性进行验证，对实测复合故障振动信号进行分离，试验结果表明该算法成功分离出观测信号中的锥齿轮和行星齿轮单一故障特征，有助于工程中旋转部件故障诊断。     

基于图谱指标的滚动轴承故障特征提取方法

为了更准确地提取滚动轴承振动信号的非线性故障特征,将图信号处理(GSP)引入机械故障诊断领域,提出了基于图谱指标的滚动轴承故障特征提取方法。该方法将滚动轴承的振动信号转化为路图信号后,提取多个图谱指标;用Fisher得分(FS)算法对图谱指标的敏感度进行排序,并选取若干个最敏感的图谱指标作为滚动轴承的故障特征参数;用K-均值聚类算法识别滚动轴承的不同故障。应用实例表明:当分别选取1~5个最优的图谱指标、时域指标和频域指标对不同轴承故障进行识别时,图谱指标均没有出现错误,而时域指标和频域指标都出现了不同数量的错误,因此,图谱指标对轴承故障的区分能力优于时域指标和频域指标。     

信号周期分段处理法诊断单级传动齿轮副故障

为了诊断单级传动齿轮副故障,本文提出信号周期分段处理的方法。首先同步整周期采集振动信号,然后对采集的振动信号做时域平均,进行降噪和凸显故障脉冲的处理。利用周期分段处理法,将振动平均信号等距分段,分别对各段信号进行频谱分析。比较各段信号的时域波形和频谱的异同,可以准确诊断出单级传动齿轮副中同步齿轮故障位置,且还能诊断出非同步齿轮故障位置。数字仿真试验以及模拟故障实验结果都证实了信号周期分段处理法诊断齿轮故障的可行性和有效性;它为诊断单级传动齿轮副故障提供一种有效手段。      

基于综合模糊聚类算法的液体火箭发动机故障诊断

基于液体火箭发动机正常及故障状况数据的完备程度和数据质量的不断提高,提出一种基于数据驱动的综合模糊聚类算法用于故障诊断。采用模糊c均值(FCM)算法对已知正常样本数据进行聚类得到最优的聚类中心,将所得到的聚类中心作为先验样本数据用于传递闭包法最优分类结果的选择从而得到故障检测结果,该算法只需要少量的正常先验样本数据就能快速、准确的检测出故障;随后采用FCM算法进行故障分类,可以根据现有的故障数据库进行聚类得到对应的故障类型,并且可以给出故障幅值范围。模型仿真结果表明:该算法对故障的检测率可达968%,故障隔离率达到94%。某型液体火箭发动机实际试车数据结果表明:该故障诊断算法能够准确及时的检测并隔离出故障。     

弹性支撑条件下裂纹齿轮体有限元模拟与仿真

将齿轮与轴的装配支撑关系考虑为弹性支撑, 采用有限元数值分析ANSYS软件对故障齿轮的动力特性进行了模拟.研究了裂纹故障发生后齿轮动力特性的变化, 分析了不同大小和不同类型的故障对齿轮体动力特性的影响.结果表明:裂纹的大小和位置对动力特性都有影响, 但裂纹发生位置的影响要大于裂纹大小的影响, 即处于齿轮结构体中部的缺陷要比处于外边缘的缺陷对动力特性影响大.另外, 探讨了仿真时设置弹性支撑边界条件的方法, 并通过与固定支撑和自由支撑边界条件的比较, 给出了弹性支撑条件下分析结果的真实性和有效性, 为齿轮故障发生机理和诊断的研究提供了一种方法.      

基于形态分量分析与阶次跟踪的齿轮箱复合故障诊断方法

针对变转速下齿轮箱复合故障的故障特征提取,提出了基于形态分量分析与阶次跟踪的齿轮箱复合故障诊断方法.该方法根据齿轮箱复合故障振动信号中齿轮和滚动轴承故障成分的形态差异性,先用形态分量分析将其分解为包含齿轮局部故障信息的谐振分量、包含滚动轴承局部故障信息的冲击分量和随机噪声分量,再根据实测转速信号分别对谐振分量和冲击分量进行包络阶次分析,根据各包络阶次谱诊断齿轮箱复合故障.算法仿真和应用实例表明:该方法能有效分离变转速下齿轮和滚动轴承的故障特征,且其故障特征提取效果要优于传统的包络阶次谱方法.      

基于IITD和FCM聚类的滚动轴承故障诊断

基于Akima插值和固有时间尺度分解（ITD）中的线性变换,提出了一种改进的固有时间尺度分解（IITD）,在此基础上,进一步提出基于IITD近似熵（AE）和模糊C均值聚类（FCM）相结合的滚动轴承故障的诊断方法。采用IITD方法对滚动轴承的振动信号进行分解,通过互信息分析,筛选出前3个含主要特征信息的固有旋转分量（PR）,计算其近似熵值作为信号的特征向量,将得到的特征向量输入到FCM分类器中分析并得到分类结果。实验分析表明:分别与基于EMD、ITD近似熵和FCM聚类相结合的方法比较,该方法的分类系数更接近1,平均模糊熵更接近0,即此方法对滚动轴承的正常、内圈故障、外圈故障、滚动体故障信号以及对内圈的不同损伤程度信号均能更有效更准确地进行分类。      

基于Kriging模型和遗传算法的齿轮修形减振优化

针对齿轮修形优化时计算啮合刚度计算量大、计算精度低、操作繁琐等问题，提出一种基于Kriging模型和遗传算法的齿轮减振修形优化算法.以典型直齿轮传动为例开展齿轮修形优化，通过拉丁抽样建立Kriging模型，解决齿轮修形优化的多响应和隐式函数的问题，通过Kriging预测的啮合刚度与有限元法的对比可知，时变啮合刚度函数各参数的误差最大值为7.79×10-5,1.20×10-3及1.30×10-4，验证了Kriging多响应预测啮合刚度函数的精确性.将Kriging预测函数代入直齿轮啮合传动的动力学微分方程，采用遗传优化算法时将齿轮动态传动误差响应波动最小作为优化目标，得到最优的齿轮修形参数.算例表明:相比于ISO(International Standardization Organization)修形和未修形的齿轮，该算法的减振效果最好，验证了基于遗传算法与Kriging模型对齿轮进行修形优化的正确性、高效性.相比于直接采用有限元法进行齿轮修形优化，该算法计算时间由26.91d减小为2.24h，证明了该算法计算效率的优越性.      

基于局部同步拟合和窄带解调的行星传动齿根裂纹故障检测

为实现较少旋转圈数工况下的行星传动齿轮故障检测，本文提出一种基于局部同步拟合和窄带解调的行星传动齿根裂纹故障检测方法。该方法首先对行星齿轮箱振动信号进行角域重采样，再采用局部同步拟合方法估计出确定性分量；随后，由研究中提出的啮合谐波能量比最大准则自动选择包含齿轮故障信息最丰富的滤波阶次频带，并进行窄带解调；最后，通过幅值解调和相位解调揭示齿轮故障特征。实验和对比结果表明：该方法可以有效检测出齿根裂纹引起的周期性幅值和相位突变，且所需数据量较传统的加窗同步平均方法更少，在少转数工况下的齿根裂纹故障检测具有一定的优势。     

Semi-supervised gear fault diagnosis using raw vibration signal based on deep learning

In aerospace industry, gears are the most common parts of a mechanical transmission system. Gear pitting faults could cause the transmission system to crash and give rise to safety disaster. It is always a challenging problem to diagnose the gear pitting condition directly through the raw signal of vibration. In this paper, a novel method named augmented deep sparse autoencoder (ADSAE) is proposed. The method can be used to diagnose the gear pitting fault with relatively few raw vibration signal data. This method is mainly based on the theory of pitting fault diagnosis and creatively combines with both data augmentation ideology and the deep sparse autoencoder algorithm for the fault diagnosis of gear wear. The effectiveness of the proposed method is validated by experiments of six types of gear pitting conditions. The results show that the ADSAE method can effectively increase the network generalization ability and robustness with very high accuracy. This method can effectively diagnose different gear pitting conditions and show the obvious trend according to the severity of gear wear faults. The results obtained by the ADSAE method proposed in this paper are compared with those obtained by other common deep learning methods. This paper provides an important insight into the field of gear fault diagnosis based on deep learning and has a potential practical application value.     

弧齿锥齿轮激励研齿的动态研磨分析与试验

建立了包含齿侧间隙、传动误差和时变啮合刚度等因素的10自由度弧齿锥齿轮研齿系统的动力学模型,针对普通研齿的不足之处,提出了激励研齿加工方法,对普通研齿和激励研齿动态位移响应和动态研磨力进行了对比分析,结果表明激励研齿方法使工作齿面和非工作齿面同时得到研磨,增加了研齿时的动态研磨力.超声激励下的弧齿锥齿轮研齿试验表明激励研齿方法能提高研齿的效率,提高齿形精度,改善齿面质量和轮齿啮合特性.      

弧齿锥齿轮功率分流传动系统建模与承载特性分析

针对齿轮功率分流的平行轴传动,星型传动和行星传动形式,提出了一种新型交叉轴传动形式的弧齿锥齿轮功率分流传动系统并介绍了其构成及工作状态.在此基础上,计算了系统各齿轮副的传递功率,分析了系统在各安装误差作用下的功率分流情况.研究表明,在输入齿轮、其相对的输出齿轮的轴交角误差或其相邻的输出齿轮的轴向误差单独影响下,系统主承载齿轮副传递的功率减小,可大大提高系统承载能力,并有利于功率分流均载;系统各齿轮都具有安装误差时,各齿轮副承载情况受误差累加或相反作用的影响.      

基于融合信息熵距的转子裂纹-碰摩耦合故障诊断方法

针对转子系统的裂纹-碰摩耦合故障,提出了一种基于融合信息熵距的转子振动故障诊断方法.利用转子实验台模拟转子系统裂纹故障、碰摩故障及裂纹-碰摩耦合故障,并采集三种典型故障的振动加速度信号.利用时域的奇异谱熵、频域的功率谱熵、时-频域的小波能谱熵以及小波空间特征谱熵,计算融合信息熵距实现故障诊断.实例研究表明:这四种信息熵形成了综合评价转子振动状态的特征指标,多测点、多转速下的信息熵距曲线较好地区分了单一故障和耦合故障,有效地提高了转子振动故障诊断的准确性.测试信号与其对应的振动故障之间的信息熵距最小,信息熵距曲线位于坐标轴的最下方,达到了诊断单一故障和耦合故障的目的.      

灰色神经网络在齿轮箱故障识别中的应用

将灰色系统理论与神经网络相结合提出了灰色神经网络这一新的故障识别方法，将此种方法应用在齿轮箱的故障识别中，结果表明：采用灰色神经网络能够识别出来，不同工作状态下的各种故障类型，其识别的可靠性还有待于进一步提高。     

基于GWO-TVF-EMD方法的行星齿轮箱齿面剥落故障诊断

针对时变滤波经验模态分解（TVF-EMD）方法的不足之处,将样本熵作为适应度函数,采用灰狼优化（GWO）算法对带宽阈值和B样条阶数核心参数进行寻优,得到最优组合解,对不同的故障冲击试验振动信号进行分解。对本征模态函数（IMF）分量选取过程进行优化,采用多个加权指标对所有IMF分量进行计算,最终选取最优IMF分量,再通过包络谱分析提取出行星轮齿面剥落故障特征。在行星齿轮箱故障试验中,利用方均根法对剥落故障进行初步识别,根据GWO-TVF-EMD法分解得到各剥落故障信号最优IMF分量,使用包络谱分析明显判断出行星齿轮的故障频率。该方法能够提取3种不同程度齿面剥落故障的细节特征,理论值与实际值的相对误差为1.68%。      

节点外啮合齿轮胶合承载能力中平均摩擦因数的计算方法

分析了现有胶合承载能力计算中平均摩擦因数计算方法的不足之处,根据节点外啮合齿轮传动的啮合特点,以相关标准中渐开线圆柱齿轮的计算公式为基础,提出了一种更为合理且精度较高的平均摩擦因数计算方法,以满足节点外啮合齿轮胶合承载能力计算的需要.通过对内、外啮合副节点前啮合和节点后啮合实例的计算,得出除外啮合节点前啮合以外,利用标准计算得到的平均摩擦因数的误差都超过18.5%,而改进计算方法所得的误差都在6.5%之内,证实了这种改进的平均摩擦因数计算方法具有更高的精度,而且这一计算方法也适用于标准齿轮传动.      

基于高阶累积量的齿轮系统辨识方法研究

高阶累积量分析技术是近年来迅速发展起来的新技术,作为处理非高斯信号、非线性信号以及盲信号的重要工具而受到日益重视。它有许多优点,特别是对于外加高斯噪声不敏感以及可以检测系统的非线性特性,故理论上可以完全抑制高斯噪声的影响,提高分析精度。本文在对其研究的基础上,将它应用于齿轮旋翼传动系统动态特性分析之中,对传动系统和旋翼桨叶的动态固有频率等进行了识别,并与频域和时域识别法进行了比较。      

直升机动力传动系统扭转振动整体传递矩阵分析

研究了复杂多轴齿轮传动系统整体传递矩阵方法及在直升机动力传动系统扭转振动分析中的应用.首先说明了直升机传动系统传递矩阵方法力学模型,推导了传动系统中典型齿轮副啮合传递矩阵、并车级和行星级齿轮啮合传递矩阵,说明了这种具有多种齿轮副啮合的复杂多轴系统整体传递矩阵模型组集方法,最后用这种方法进行了典型直升机动力传动系统扭转振动特性分析,讨论了这种直升机动力系统振动特性的特点.