基于双树复小波包变换能量泄漏特性分析的齿轮故障诊断

为有效利用双树复小波包变换提取齿轮故障特征信息,提出基于双树复小波包能量泄漏特性分析的故障诊断方法。首先根据高斯白噪声频率充满整个频带的特性,通过双树复小波包变换对高斯白噪声进行分解,利用频带能量泄漏的定量分析方法,验证了双树复小波包变换具有较低的频带能量泄漏特性;其次利用双树复小波包变换逐层分解信号,对每层分解所得分量求其FFT谱的峭度,得到基于双树复小波包变换的谱峭度图,根据图中峭度最大的原则,可以自动准确的选择信号分解最佳层数和最佳分量;最后将基于双树复小波包变换的谱峭度图的故障诊断方法应用于实际工程中,对齿轮故障振动信号进行分析,选择最佳分解层数和分量后利用希尔伯特包络解调,有效准确地提取了故障特征信息,验证了方法的可行性和有效性。该研究可为旋转机械设备中齿轮箱故障诊断的故障特征提取提供参考。     

自适应最大相关峭度反褶积方法诊断齿轮轴承复合故障

为了解决传统最大相关峭度反褶积(maximum correlated kurtosis deconvolution,MCKD)在故障诊断中容易出现因参数选择不当而影响诊断效果的问题,该文提出了一种基于量子遗传算法(quantum genetic algorithm,QGA)的自适应最大相关峭度反褶积方法(maximum correlated kurtosis deconvolution with quantum genetic algorithm,QMCKD)用于齿轮和轴承复合故障诊断。通过量子遗传算法自适应选择最大相关峭度反褶积的2个关键参数滤波器长度(L)和反褶积周期(T)。使用QMCKD处理原始振动信号,提取复合故障信号中的所有单个故障信号,分别对单个故障信号进行频谱分析从而识别故障特征。在对齿面磨损-滚动轴承外圈损伤复合故障诊断中,QMCKD能够识别齿轮故障频率及其2～4倍频,识别轴承故障频率及其2～6倍频,且主要频率成分周围干扰谱线很少,故障类型容易识别。与直接频谱分析和变分模态分解(variational mode decomposition,VMD)相比,该方法在诊断效果上具有优越性。在对齿根裂纹-轴承滚动体损伤复合故障诊断中,QMCKD能够突出齿轮故障频率及其2～5倍频,突出轴承故障频率及其2～8倍频,齿轮和轴承故障特征明显,验证了方法的稳定性。试验结果表明QMCKD能够有效识别复合故障中齿轮和轴承的故障特征,可用于齿轮箱的齿轮、轴承复合故障诊断。     

连续小波变换在齿轮磨损估计中应用研究

通过对连续小波变换的分析研究,提出了一种提取信号在小波尺度上的能量谱的信号分析方法。该方法能有效地对不同磨损状况下的齿轮振动信号进行分析,分析结果说明信号在小波尺度上的能量谱与齿轮的磨损程度有密切的关系。求出不同磨损状况下齿轮振动信号的能量谱对尺度的积分值,并根据这些值拟合得到的曲线与齿轮磨损过程曲线非常相似,这说明可以用连续小波变换的能量谱估计齿轮磨损状况。最后提出了一种连续小波变换的齿轮磨损特征量提取方法,用于提取齿轮磨损程度的特征向量,特征量间的欧氏距离说明这些特征向量能很好地表征齿轮的磨损状况     

基于虚拟仪器的发动机断缸故障振动诊断

为了达到发动机不解体故障诊断的目的,进而提高诊断效率,该文通过采集发动机缸盖的振动信号实现发动机状态监测与故障诊断。借助加速度传感器BZ1185、数据采集卡PCI8210及计算机等硬件,构建了发动机振动信号采集系统;基于LabVIEW软件平台开发了虚拟仪器分析软件,对振动信号进行时域分析、相关域分析(自相关分析、互相关分析)、频域分析(傅里叶变换、自功率谱分析、互功率谱分析、倒频谱分析)、联合时频分析(短时傅里叶变换、小波分析)实现离线故障诊断。以4G65发动机为研究对象,在不同转速下,应用自功率谱和小波分析法对发动机断缸故障进行了试验研究,结果表明该系统用于4G65发动机的实时状态监测与故障诊断是可行的。该研究也可为其他发动机的故障诊断研究及推广应用提供参考。     

变速箱齿轮磨损故障的极坐标角-频表示与诊断

变速箱齿轮磨损将导致振动信号中出现冲击响应成分,通过对每转内冲击响应成分的监测,可实现变速箱齿轮磨损故障诊断。为了提高变速箱齿轮磨损故障可视化监测与诊断效果,该文提出了一种极坐标角频分布方法。将采集的变速箱振动信号通过连续小波变换进行消噪处理并转变为极坐标角频分布,充分表现变速箱齿轮不同磨损工况时冲击成分的变化。以每种磨损工况时6转内的能量作为齿轮磨损特征向量,并将特征向量输入给BP神经网络进行分类训练和模式识别,有效地识别了变速箱的4种磨损状态。该研究结果为极坐标角频分布方法在变速箱状态监测与故障诊断的工程应用提供了参考。     

拖拉机行星齿轮箱故障响应特性动力学仿真及验证

针对目前农业机械设备少有从振动机理方面研究行星减速轮系的故障特性,且缺乏对不同故障程度下系统故障特性的研究等问题,该文以拖拉机传动系统中的行星齿轮减速箱为研究对象,建立了行星轮系动力学模型,考虑了其在运行时振动传递路径时变效应对振动信号的影响;推导了行星轮故障下的啮合刚度变化表达式,并引入故障因子,得到了不同故障程度下的啮合刚度;采用变步长的Runge-Kutta方法求解行星轮系动力学模型,分析得到了行星轮分别出现裂纹及断齿故障时系统响应的频谱特性。模型分析结果表明,由于振动传递路径时变效应对响应信号的调制作用,行星轮系频谱中的啮合频率及其倍频附近出现了以行星架转频为调制频率的边频带;当行星轮出现裂纹或断齿故障时,啮合频率及其倍频附近不仅出现了以行星架转频为调制频率的边频带,同时还会出现以行星轮故障频率为调制频率的边频,且断齿故障状态下的边带幅值较裂纹故障下更加明显。最后将试验信号与模型信号进行对比分析,分析发现,试验与模型响应信号对应频率的最大相对误差分别为4.65%和2.32%,决定系数R2分别为0.999 6和0.999 8,所得试验结果与模型结果基本一致,验证了所建立模型的准确性。该文可为农机设备中行星轮系的故障机理及系统健康监测研究提供参考。     

基于MED-EEMD的滚动轴承微弱故障特征提取

针对滚动轴承在强噪声环境下故障信号微弱、故障特征难以提取等问题,提出了基于最小熵反褶积(minimum entropy deconvolution,MED)和总体平均经验模态分解(ensemble empirical mode decomposition,EEMD)两者相结合的方法来提取滚动轴承微弱故障特征。通过对仿真信号和风电齿轮箱的振动信号分析,结果表明:为了弥补在强背景噪声下EEMD对微弱信号特征提取的局限性,该文选取MED作为EEMD的前置滤波器,最后对敏感的本征模态函数进行循环自相关函数解调分析,得出了风电齿轮箱的故障来自于高速轴的微小弯曲和高速轴输出端#10轴承外圈点蚀。同时与EEMD进行对比分析,表明了这种方法对微弱故障特征提取有较好的适用性。该文为多故障共存并处于强背景噪声下的微弱特征提取提供了参考。     

利用缸盖振动信号检测发动机功率的试验研究

用发动机缸盖的振动信号进行了发动机功率检测试验。基于LabVIEW建立的虚拟仪器系统,运用加速度传感器测定了发动机从怠速急加速到高速过程中的缸盖振动信号,对发动机怠速段、高速段的振动信号进行了频谱分析,同时对比分析了低频振动信号与发动机转动时测得的脉冲信号。结果表明,发动机缸盖振动加速度信号中低频振动信号的周期与发动机转动周期有确定的对应关系,用低频振动信号峰值点可以分离出发动机的转速,从而可根据无负荷测功角加速度原理得出发动机不同转速下的有效功率值,因此利用发动机缸盖振动信号进行功率检测的方法是有效可行的。     

曲轴三维振动与机体裙部表面振动的耦合关系研究

该文采用相干分析,研究了曲轴三维振动与表面振动的耦合关系。通过曲轴三维振动测试装置对曲轴的三维振动信号和表面振动信号进行采集并进行相干处理,研究了曲轴振动与表面振动的激励关系。研究结果表明：扭振能够以倍频激励的形式导致部分频率的表面振动发生;纵振和弯曲振动对裙部表面振动进行同频激励,但二者激励强度不同,纵振只在部分频率段具有激励作用,而弯振是表面振动的主要激励源。     

排列熵优化改进变模态分解算法诊断齿轮箱故障

为了准确提取齿轮箱中复合故障特征,该文选用变模态分解(variational mode decomposition,VMD)对振动信号进行处理,它能够将信号分解为多个固有模态函数(intrinsic mode function,IMF),但需预设分解层数k和惩罚因子;因此,为了能够自适应地确定分解层数k,该文提出了排列熵优化算法(permutation entroy optimization,PEO),该算法可以根据待分解信号的特点自适应的确定分解层数k;同时,为了解决VMD算法对噪声的敏感性,该文根据噪声辅助数据分析的思想,提出了改进VMD算法(modified variable modal decomposition,MVMD),该算法首先添加成对符号相反的高斯白噪声到原始信号,再利用VMD算法对其进行分解,经过多次循环,原始信号中的噪声相互抵消,而后将每次循环得到的每层IMF分别进行集成平均。利用该算法分别对含有多故障特征的齿轮箱仿真信号及实测信号进行处理,均提取出了故障特征。该文所提方法对封闭式功率流试验台进行复合故障提取,160和360 Hz的故障频率分别被提取出。该方法为齿轮箱复合故障诊断提供新思路。     

改进烟花算法和概率神经网络智能诊断齿轮箱故障

针对复杂环境下农机设备的齿轮箱系统在故障诊断时存在易受现场噪声干扰和故障识别率低等问题,提出了一种基于改进的烟花算法和概率神经网络的齿轮箱智能故障诊断方法。为提高现有概率神经网络模式分类方法的性能,定义了一项样本相似度衡量指标以提高建模过程中训练样本的质量。将烟花算法与概率神经网络技术有机融合提出了一种改进的烟花算法-概率神经网络模式分类方法,利用烟花算法优化概率神经网络的平滑参数以确定网络参数的最优值,提高模式分类与识别精度。将改进的烟花算法-概率神经网络模式分类方法用于噪声环境下齿轮箱的故障诊断建模,构建故障特征参量与齿轮箱工作状况间的复杂非线性映射关系。应用结果表明,与基于BP神经网络、GABP(genetic algorithm back propagation)神经网络和概率神经网络的故障诊断模型相比,在不同程度噪声影响下烟花算法-概率神经网络模型均具有最高故障识别率。当噪声控制系数为0.01、0.02、0.04和0.06时,模型的故障识别率分别为100%、95.83%、93.33%和88.33%。该研究可为非线性复杂系统的故障诊断提供了一种可行的解决方案。     

基于小波分析的车辆变速箱故障检测的研究

利用离散正交小波变换，把车辆变速箱的振动信号进行多层小波分解，使其突变信号和非平稳信号与平稳周期性信号分开，并进行图形显示，为车辆变速箱故障检测提供理论依据。     

环模制粒机齿轮减速器动力学特性分析

环模制粒机的内部激励会引起整机振动,振动是导致环模与压辊使用寿命降低的主要原因。该研究针对环模制粒机振动大、关键部件使用寿命短等问题,以SZLH420型环模制粒机减速器为研究对象进行动力学分析与试验。首先基于累积势能法计算齿轮时变啮合刚度,建立斜齿轮传动动力学模型,采用解析法对传动系统进行模态分析和非线性动力学求解,求得最大振幅Y向(水平径向)为0.008 mm、Z向(轴向)为0.004 2 mm、转角为0.000 87°,并通过有限元仿真验证动力学模型和固有频率。最后进行主轴扭矩测试与斜齿轮振动加速度试验。结果表明,整机振动加速度频率与斜齿轮一致,故斜齿轮传动系统对整机振动具有重要影响,其主要振动频率在4.25、9.17、13.86、18.13、23.86、47.53 Hz附近;齿轮振动最大幅值Y向为0.006 mm、Z向为0.004 mm,与动态响应计算对应振幅最大差值不超0.002mm,验证了理论计算的准确性。研究结果可为环模制粒机性能的提高提供理论与试验依据。     

基于经验小波变换的复杂强噪声背景下弱故障检测方法

针对复杂强噪声背景下的非平稳振动信号的弱故障和复合故障检测的难题,引入经验小波变换(empirical wavelet transform,EWT)以提高故障确诊率,并提出一种基于EWT的复杂强噪声背景下弱故障的检测方法。EWT能够通过完全自适应小波基提取信号的固有模式,与经典小波变换一样具有完备的理论基础。通过对含有复杂强噪声的仿真信号和实际信号进行EWT分析,并对比经验模态分解,验证了基于EWT的复杂强噪声背景下弱故障检测的可行性和有效性。该研究可为复杂工况下机械设备的弱故障和复合故障检测以及故障特征提取提供参考。