船舶齿轮箱振动测试分析及优化研究

齿轮箱是船舶动力传动系统的主要振源之一，为了研究船舶齿轮箱振动性能及优化措施，进而实现船舶的低噪声化，以本单位自主研发的船用齿轮箱为例，通过台架试验和振动频谱分析结合的方法分析齿轮箱振动的主要影响因素，对振动性能关键影响因素进行优化改进。本文结合振动频谱分析结果对齿轮箱从齿轮修形设计和液压供油系统改进两个方面进行了优化，并对采取优化措施后的齿轮箱进行振动试验验证和振动频谱分析。结果表明：齿轮修形和液压供油系统改进两项优化措施可以切实有效的改善齿轮箱的振动性能。在文中的齿轮箱案例中，齿轮修形后齿轮啮合频率处振动峰值下降40.2%，总振级下降1.85dB，进一步采取液压供油系统改进措施后，齿轮箱总振级下降9.99dB。齿轮修形和液压供油系统改进对船用齿轮箱振动性能提升具有工程应用价值。     

小波包分析在内燃机车静液压齿轮箱故障诊断中的应用

本文简述了小波变换的基本原理及利用小波包对振动信号进行分解的方法。小波分析良好的时频局部化性质，适于检测正常信号中夹带的瞬态反常现象并展示其成分，这在旋转机械状态监侧及早期故障诊断中具有重要意义。本文给出利用小波包分析在内燃机车静液压齿轮箱故障诊断中提取微弱轴承冲击故障特征的实例。     

基于ACMPE、ISSL-Isomap和GWO-SVM的行星齿轮箱故障诊断

针对从行星齿轮箱非线性、非平稳振动信号特征提取困难的问题,提出了一种基于自适应复合多尺度排列熵(ACMPE)、改进监督型自组织增量学习神经网络界标点等度规映射(ISSL-Isomap)和灰狼群优化支持向量机(GWO-SVM)相结合的行星齿轮箱故障诊断方法。利用ACMPE从复杂域提取振动信号的故障特征,构建高维故障特征集;采用ISSL-Isomap方法对高维故障特征集进行维数约简,提取出低维、敏感故障特征;应用GWO -SVM分类器对低维故障特征进行模式识别,判断故障类型。行星齿轮箱故障诊断实验结果分析表明:与多尺度排列熵(MPE)、复合多尺度排列熵(CMPE)等特征提取方法相比,ACMPE方法在分类效果和识别精度上更具优势;与局部切空间排列(LTSA)、等度规映射(Isomap)、加权Isomap(W-Isomap)、监督Isomap(S-Isomap)和监督型自组织增量学习神经网络界标点Isomap(SSL-Isomap)等降维方法进行比较,ISSL-Isomap方法降维效果最佳;所提方法的故障识别率达到100%,具有一定优越性。      

基于循环统计量的直升机齿轮箱轴承故障早期检测

在分析齿轮箱振动信号的基础上,提出了基于循环统计量的轴承故障早期检测方法,阐述了表征故障的一维和二维循环平稳特征。该方法利用信号与噪声具有不同循环频率的特性实现了信噪分离,能够比较容易地从复杂背景中提取出微弱的特征信息。最后在某型直升机齿轮箱轴承故障的早期检测中进行了实验验证。结果表明,该方法优于功率谱和解调分析,能够提取故障的早期特征。     

P6100型压力离心机差速齿轮箱剖析

探讨分析了美国Pennwalt公司生产的P6100压力离心机差速齿轮箱的结构和主要参数，并指出了检修装配应控制的关键参数和调整环节。     

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.      

行星齿轮箱耦合调制振动信号分离与故障诊断

针对故障状态下行星齿轮箱振动信号通常表现为稳态调制和冲击调制成分耦合问题,建立不同求解模型,提出耦合调制振动信号分离方法。应用稀疏全变分模型实现冲击调制成分分离,采用改进的非对称惩罚函数,根据峭度系数与方均根系数指标构建正则化参数优选策略,采用受控极小化(majorization-minimization, MM)方法进行模型求解;采用基追踪实现稳态调制成分分离。试验结果分析表明:该方法在噪声D为0.15的信号中能快速分离出微弱冲击调制成分,算法迭代次数少、收敛效果好。      

基于一维卷积神经网络和SoftMax分类器的风电机组行星齿轮箱故障检测

将卷积神经网络引入风机故障检测领域,设计了一种一维卷积神经网络的结构,并和SoftMax分类器相结合构造了一种双层智能诊断架构。一维卷积神经网络用于行星齿轮箱数据的特征提取,SoftMax分类器对提取的特征进行分类。与传统智能算法相比,该方法具有训练样本少,可直接使用原始数据训练网络;计算效率高,可以适应实时诊断的需要。试验结果证明,该方法可以有效地诊断出不同工况下的行星齿轮箱中的齿轮故障。     

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%。      

齿轮驱动涡扇发动机的发展和关键技术

描述了齿轮驱动涡扇发动机的由来和研制发展,综述了该发动机的关键技术(如齿轮箱、高速低压转子和紧凑核心机等)和研究进展.