基于格拉姆角场与深度卷积生成对抗网络的行星齿轮箱故障诊断

针对行星齿轮箱故障诊断中样本分布不均衡所引起的模型泛化能力差及诊断精度低等问题,采用格拉姆角场图像编码技术和深度卷积生成对抗网络相结合进行数据增强,融合AlexNet卷积神经网络进行故障诊断。将采集到的一维振动信号转化为格拉姆角场图,按比例划分训练集与测试集,将训练集样本与随机向量输入到深度卷积生成对抗网络模型中,交替训练生成器与判别器,达到纳什平衡,生成与原始样本类似的生成样本,从而实现故障样本的增广。用原始样本与生成的增广样本训练卷积神经网络分类模型,完成行星齿轮箱的故障识别。实验结果表明,所提方法能够有效提升样本不均衡条件下的行星齿轮箱故障诊断精度,使之达到99.15%,且能使收敛速度更快。

基于多模 态集成卷积神经网络的数控机床齿轮箱故障诊断

针对数控机床齿轮箱在实际工作环境中负载多变且噪声干扰大、传统神经网络难以充分提取信号中的故障特征等问题,提出一种多模态集成卷积神经网络(MECNN)用于数控机床齿轮箱故障诊断。该方法将多模态融合技术与多个卷积神经网络结合,利用快速傅里叶变换方法将时域信号转换成频域信号;利用时域信号和频域信号对2个卷积神经网络进行训练,使模型能够分别从时域和频域2个角度提取特征,再将浅层特征融合;最后,将融合后的特征输入到卷积神经网络中进行故障特征的深度挖掘,并进行故障诊断。使用东南大学的齿轮箱数据集进行验证,设计了2种特征融合的方法并进行了对比。实验结果表明:在噪声下,MECNN模型用于故障诊断的准确性和鲁棒性均优于单一的时域CNN和频域CNN。

改进MFO-LSTM网络的风电机组齿轮箱故障预警研究

风电机组齿轮箱在数据采集与监控系统(SCADA)的帮助下,通过监控齿轮箱油温是否超过阈值实现故障报警,其判断精度不高且问题发现不及时,因此使用长短期记忆网络模型(LSTM)融合SCADA数据实现对齿轮箱油温状态的预测。用齿轮箱正常运行状态下的数据训练LSTM模型,计算油温预测值与真实值之间的残差,根据正态分布的原则设置残差的上下预警阈值,用来对齿轮箱故障进行预警。为简化训练模型的复杂度,在SCADA数据中选用与齿轮箱油温相关性较为密切的参数作为LSTM模型的输入项。为降低因LSTM模型超参数设置不当造成的预测准确度表现不佳,提出改进飞蛾火焰算法(MFO)与LSTM的组合模型,在保留MFO算法强大的全局搜索能力的同时,使其避免陷入局部搜索的陷阱,通过改进MFO对LSTM模型参数进行迭代优化,最终构建合适的模型。最后通过某风电机组SCADA数据验证该方法能够有效预警齿轮箱的故障,并且与其他方法相比准确度更高,预警更及时,迭代效果更好。

变转速下基于改进多阶概率方法的风电齿轮箱故障诊断研究

阶次跟踪是一种有效的解决变转速故障诊断问题的方法,其关键前提是存在转速信号作为参考。然而,由于强背景噪声和弱谐波关系的影响,现有转速估计方法的准确性和自适应性有待进一步提高。因此,提出一种融合多传感器信号的改进多阶概率方法(MOPA)用以估计瞬时转速。首先,依据不同传感器信号的基频统一性和主导分量差异性,通过时频图瞬时切片归一化融合的方式,构建具有强谐波关系的时频图;其次,为消除时变工况下时频图中横纵方向上的间歇恒频和短时宽频背景噪声,提出滑动消噪方法;最后,基于处理后的时频图执行MOPA,实现瞬时转速自动估计,结合阶次跟踪解决风电齿轮箱变转速故障诊断问题。经实测数据验证,改进MOPA估计的瞬时频率的准确性和自适应性均优于对方法,平均绝对百分比误差为0.56%,均小于对比方法的15.73%、13.99%和1.21%。结合阶次分析诊断了变转速下风电齿轮箱异常。

应用滑动轴承的风电齿轮箱行星轮系动力学建模及解耦方法

在行星轮系动力学建模中,常以非线性油膜力或线性刚度-阻尼形式考虑其对系统动力学特性的影响,前者仿真精度高但计算成本也高,后者计算效率高却忽略了油膜力和轴颈-轴套偏心量的时变性,仿真精度有限。为此,以2MW级风电齿轮箱为研究对象,建立滑动轴承时变线性刚度-阻尼模型,提出计入轴颈-轴套时变偏心量的滑动轴承附加偏心修正力计算方法;利用行星架销轴-行星轮变形协调关系,将时变线性刚度-阻尼模型与附加偏心修正力进行耦合;建立应用滑动轴承的风电齿轮箱行星轮系动力学模型,对比了工况和轴承参数对模型计算精度与系统动态响应的影响,并通过试验加以验证。研究结果表明,齿轮副动态啮合力波动会使滑动轴承刚度-阻尼系数和附加偏心修正力产生周期性变化;在稳定和瞬态工况下,提出的模型可以很好地预测系统响应,尤其是行星轮振动响应;减小滑动轴承宽径比与间隙、增大输入转矩可以改善系统均载性能。

高铁齿轮箱飞溅润滑性能数值模拟与型腔结构参数优化

以高铁齿轮箱齿轮啮合处平均压力和输出端集油盒处润滑油平均体积分数为评价指标,通过流体仿真软件ANSYS CFX,采用浸入实体法,建立了高铁齿轮箱斜齿轮飞溅润滑的CFD数值仿真模型。运用响应面Box-Behnken实验研究得出了径向距离、轴向距离、导油筋宽度对集油盒处润滑油平均体积分数和齿轮啮合处平均压力的二次回归模型,并对设计参数进行了优化。结果显示,最优参数为径向距离22.92 mm、轴向距离50 mm、导油筋宽度14.02 mm时,集油盒处润滑油平均体积分数为0.547,齿轮啮合处平均压力为32.452 kPa。

复合故障下风电齿轮箱声音信号耦合调制模型辨识与故障诊断

针对两级行星一级平行齿轮箱不同位置受损导致的复合故障,提出一种声音信号耦合调制模型,以辅助专家进行故障诊断。当风电齿轮箱发生复合故障时,其特征频率会以调幅和调频的形式影响不同轮系的啮合频率,为此,本文提出了复合故障下风电齿轮箱声音信号幅值耦合调制模型;利用模型参数辨识思路,确定所提耦合调制模型中不同轮系的调幅系数,并通过构建边带能量比指标,用于评价辨识效果;最后,利用声音信号耦合调制模型的重构谱,确定复合故障位置,实现具有辅助性质的故障诊断。实验与现场数据分析表明:用于评价辨识结果的边带能量比指标分别为0.948,0.972,0.977和0.9643,有效说明了模型辨识的有效性,为齿轮箱复合故障自动诊断奠定了基础。

斜齿轮啮合弯矩对风电齿轮箱行星轮滑动轴承瞬态润滑性能影响分析

风电齿轮箱行星轮滑动轴承常被设计为以行星轮内孔和销轴分别作为轴套和轴颈,然而斜齿轮啮合弯矩容易使行星轮与销轴之间产生轴线不对中,导致边缘接触风险高,影响运行寿命。以6 MW级传动链齿轮箱行星轮滑动轴承为研究对象,考虑滑动轴承径向载荷、弯矩以及转速的动态影响,建立了行星轮滑动轴承瞬态摩擦-动力学耦合模型,并以风电机组传动链SIMPACK动力学模型提取的行星轮动态啮合力与时变转速作为行星轮滑动轴承的载荷与运动边界输入,分析了斜齿轮啮合弯矩、输入扭矩和滑动轴承半径间隙对行星轮滑动轴承润滑性能的影响规律,并进行了实验验证。研究结果表明,行星轮动态啮合力及其产生的啮合弯矩会造成行星轮轴心位置与偏斜角产生动态循环变化,并且随着载荷的增加,行星轮滑动轴承油膜/固体接触压力与不对中弯矩会逐渐增大;减小行星轮滑动轴承半径间隙可以有效提高其瞬态润滑性能。

AR-MED共振特征增强的风电齿轮箱故障诊断

针对风电齿轮箱故障时脉冲成分往往淹没在其他频率分量中,早期故障特征难以有效提取的问题,提出一种自回归最小熵解卷积(AR-MED)共振特征增强的风电齿轮箱故障诊断方法,并结合一维卷积神经网络(1DCNN),实现齿轮箱高精度故障诊断。首先,使用共振稀疏分解算法(RSSD)将振动信号分解成含有噪声和谐波成分的高共振分量和含有故障冲击成分的低共振分量;其次,对低共振分量使用自回归最小熵解卷积运算,增强低共振分量中微弱的周期性冲击成分;最后,构建自回归最小熵解卷积共振特征增强的1DCNN模型,将分解得到的谐波分量和周期性冲击分量进行特征融合以及有针对的训练和分类。实验结果表明,与现有故障诊断模型相比,所提方法在提取风电齿轮箱的故障特征信息以及提高故障诊断精度方面具有有效性和优越性。

基于MTF-Swin Transformer的风机齿轮箱故障诊断

针对风机齿轮箱实际工况复杂多变及含有强噪声,传统故障诊断方法对风机齿轮箱故障诊断识别准确率较低的问题,文章提出了MTF-Swin Transformer风机齿轮箱故障诊断模型。首先,采用马尔科夫变迁场(MTF)图形编码方法将原始一维振动时序信号转化为具有关联时间信息的二维特征图谱;然后,将特征图谱作为Swin Transformer模型的输入,基于自注意力机制进行自动特征提取;最后,实现对不同故障类型的分类。仿真结果表明,该方法对齿轮箱故障诊断准确率达到了99.48%,证明了该方法的有效性和优越性。

行星齿轮箱降噪能力A-CNN模型及其智能诊断

为了降低随机噪声对行星齿轮箱振动信号造成的干扰,设计了一种采用卷积神经网络(A-CNN)算法的行星齿轮箱故障诊断,可以实现对噪声的良好抗干扰性能,采用A-CNN进行处理时可以通过Dropout实现输入信号的随机干扰,再以多尺度卷积核模块完成干扰信号开展特征分析和多尺度特征学习的过程。研究结果表明:采用Dropout处理信号后能够大幅提升模型抗噪性能,当设置3dB强噪条件时提升近10%。当噪声强度低于6dB时,(15×15)卷积核获得比了比(7×7)卷积核更优的效果。当噪声水平上升后,测试模型准确率降低。与其它算法进行比较可知,设计的A-CNN算法在各噪声水平测试集都达到了最优性能。当受到3dB强噪干扰时,A-CNN可以获得比AlexNet提升20%准确率,并且与VGG相比也可以提升近10%准确率。

并行RSSD和改进MOMEDA的齿轮箱故障诊断

为了克服传统共振稀疏信号分解与矩量法的局限性,提高其提取微弱故障特征的能力,提出了一种并行双参数优化RSSD和改进MOMEDA的行星齿轮箱故障诊断方法。首先,并行双参数优化RSSD构造了与不同故障特征相匹配的小波基函数,并将复合故障信号自适应分解为不同的谐振分量,实现了复杂故障特征的解耦。其次,利用改进MOMEDA对共振分量进行去卷积滤波,有效地消除了复杂传输路径和强环境噪声的影响,增强了与弱故障相关的脉冲。最后,通过对行星齿轮箱实验平台的实际故障信号的分析,证明了提出的方法不仅具有良好的解耦性能以及提取弱故障信号能力,且能够全面、准确地提取不同类型的故障。

基于NGO-VMD和改进GoogLeNet的齿轮箱故障诊断方法

目前的齿轮箱故障诊断方法,在多转速工况及噪声干扰下,存在过拟合及诊断效果不佳的问题。针对此问题,提出一种北方苍鹰(NGO)算法优化变分模态分解(VMD)结合改进GoogLeNet的齿轮箱故障诊断方法。使用NGO对VMD进行参数寻优,利用优化后的VMD去除故障信号中的噪声;对原始GoogLeNet的结构进行合理删减,并利用延迟丢弃法、可训练的ReLU函数(TReLU)对其改进;最后,将去噪后的故障信号转换为二维图作为改进GoogLeNet的输入数据进行网络的训练及分类,得到故障诊断结果。实验结果表明:与其他降噪方法相比,NGO-VMD方法的降噪效果明显,能显著提高故障诊断的准确率;与常见的卷积神经网络相比,提出的改进GoogLeNet能进一步提高故障诊断的准确率,达到了97.2%。

基于LSTM-RF的电动钻机绞车齿轮箱故障诊断

针对提高石油电动钻机绞车齿轮箱故障诊断的准确性和效率,提出了一种基于长短期记忆网络(long short-term memory,LSTM)和随机森林(random forest,RF)融合模型。首先,运用LSTM能够从大规模数据中学习复杂特征,将这些特征作为随机森林的输入。然后,通过随机森林处理非线性和高维数据以及对特征的分类,以实现对齿轮不同故障状态的识别。最后,利用电动钻机绞车齿轮箱运行过程中的实时数据,建立了一个包含多种齿轮故障类型的综合数据集。试验结果表明,LSTM齿轮故障诊断准确率为94.67%,RF齿轮故障诊断准确率为94.34%,支持向量机齿轮故障诊断准确率为82.00%,K近邻齿轮故障诊断准确率88.33%,而融合模型LSTM-RF在齿轮故障诊断准确率方面达到了98.33%,克服了单一模型的局限性,提高了诊断准确性。研究表明了融合模型具有更优的电动钻机绞车齿轮箱故障诊断能力。

考虑齿面闪温的风电齿轮箱裂纹故障特征分析

为了研究齿面闪温对风电齿轮箱裂纹故障时系统动力学响应的影响,利用Blok闪温理论分析齿轮啮合时的齿面温度,应用热变形公式计算齿廓形变,进而通过Hertz接触理论获得计及齿面闪温影响的轮齿刚度。考虑齿面闪温、阻尼、时变啮合刚度、综合啮合误差和齿侧间隙,建立含有高速级齿轮齿根裂纹的齿轮箱扭转动力学模型。通过时域图、频谱图、相图和Poincaré截面分析不同裂纹长度下系统振动特性随齿面闪温变化的规律,并比较裂纹故障仿真与实验的时频域结果。结果表明:齿面闪温使时域图上裂纹产生的冲击幅值增大、频域图中故障边频结构更为复杂、相图曲线向外扩展以及Poincaré截面离散点增多,且变化均随裂纹长度的增加越为明显。研究结论可为齿轮裂纹故障状态的诊断与监测提供依据。

基于雪消融算法优化长短时网络的齿轮箱油温预警方法

风电机组数据的复杂多变导致所采集数据的数据特征之间深度冗余。数据特征深度冗余导致常规预测模型容易陷入局部最优,进而使模型预测精度较低。为提高齿轮箱油温预测精度,首先,采用随机森林进行特征提取,利用改进的自适应噪声集合经验模态分解对选定的特征数据进行分解,使用主成分分析法对数据进行降维处理;然后,运用雪消融优化算法来搜索长短期记忆递归神经网络模型最佳超参数设置。实验结果证明,该方法可以有效提高齿轮箱油温异常预警模型的精度。

基于RCMFME和AO-ELM的齿轮箱损伤识别策略

针对模糊熵只考虑信号的局部特征而忽略信号的全局特征,导致齿轮箱故障识别的准确率不佳的问题,提出了一种基于精细复合多尺度模糊测度熵(RCMFME)、天鹰优化器(AO)优化极限学习机(ELM)的齿轮箱故障诊断方法。首先,在精细复合多尺度模糊熵的基础上,对矢量的构造方式进行了改进,提出了能够同时考虑时间序列局部特征和全局特征的RCMFME方法;随后,利用RCMFME指标提取了齿轮箱振动信号的熵值,组建了故障特征向量;接着,利用AO算法对极限学习机的参数进行了自适应搜索,生成了参数最优的多类别分类器;最后,将训练样本的故障特征向量输入至AO-ELM分类模型中进行了模型训练,以构造性能最优的分类器,并实现了对齿轮箱测试样本的故障识别目的;利用两种齿轮箱振动数据集进行了实验,在识别准确率和识别稳定性方面,与相关的特征提取方法进行了对比。研究结果表明:采用基于RCMFME和AO-ELM的故障诊断方法能够分别取得100%和98%的分类准确率,平均识别准确率分别达到了100%和98%,优于精细复合多尺度全局模糊熵(RCMGFE)、精细复合多尺度模糊熵(RCMFE)、精细复合多尺度样本熵(RCMSE)。该方法具有显著的应用潜力。

基于SDP和MCNN-LSTM的齿轮箱故障诊断方法

齿轮箱在长期使用过程中,不可避免地会产生齿轮故障和轴承故障,严重影响传动精度和设备运行安全。基于此,针对齿轮箱常见故障类型,研究多通道对称点图案(symmetrized dot pattern, SDP)数据处理方法,并利用最小能量误差法实现SDP关键参数的选取。结合多尺度卷积神经网络(multi-scale convolutional neural network, MCNN)的空间处理优势、长短时记忆网络(long short term memory, LSTM)的时间处理优势及其良好的抗噪性和鲁棒性,提出了一种基于SDP和MCNN-LSTM的齿轮箱故障诊断模型。同时利用东南大学齿轮箱数据集,验证了基于SDP和MCNN-LSTM的齿轮箱故障诊断方法对齿轮和轴承常见故障类型特征提取的有效性,并与现有其他故障诊断方法进行对比,结果表明了所提方法具有更高的精度。

齿轮箱内部激励下振动噪声仿真研究

目的研究齿轮箱体在内部激励下的传动稳定性和振动噪声的产生、传播和辐射规律。方法考虑时变刚度、误差激励等因素对齿轮系统的影响,利用集中参数法建立齿轮传动纯扭转动力学模型。结合MATLAB数值计算,从动态啮合力入手,分析振动噪声在内部动态激励作用下的时域和频域特征。建立齿轮箱体有限元模型,进行模态分析和频率响应分析。以动力学分析结果为边界条件,分别利用声学无限元法和无反射边界法进行齿轮箱振动噪声仿真。结果获得了2000Hz内的固有频率、振型和频率响应曲线,结合振动峰值频率,对齿轮箱的振动情况进行了预测。得到了齿轮箱在无界声场中的辐射声功率级曲线、场点声压级曲线、声指向性和声压级云图,并对声学无限元法和无反射边界法的计算结果进行了对比,得到了二者的最佳适用条件。结论齿轮箱内部动态激励具有明显的周期性和冲击性,齿轮传动过程中含有较多的啮合频率和二倍频成分。齿轮箱上下表面为薄壁结构,振动比较明显,是各阶振型发生振动的主要部位。箱体在低阶模态下为单一振型,在高阶模态下出现多种振型耦合的现象。无限元法计算时间较长,但在近场分析时精度较高,适用于近场声学问题分析。无反射边界相比于无限元法耗费更少的计算时间,远场分析的精度更高,适用于高频、远场声学问题分析。

基于时间卷积网络的机床齿轮箱轴承剩余寿命预测

基于深度神经网络的RUL预测模型结构比较复杂,不能很好地满足中长期预测任务的要求。为了更好地利用时间信息,设计一种基于时间卷积网络(TCN)的轴承RUL预测模型。以振动信号的频谱特征作为输入,利用因果膨胀卷积结构提取频域特征并捕获长期依赖,从而实现对轴承准确的RUL预测。为了进一步说明所提方法的优越性,将所提方法与卷积神经网络(CNN)、门控循环单元(GRU)进行了对比。结果表明:所提出的TCN模型的RUL预测精度优于其他现有方法,具有较高的精度。