基于参数反求的齿轮裂纹时变啮合刚度计算方法

基于齿根应变测试技术和优化理论提出了齿轮时变啮合刚度反求计算方法,并将其应用于齿轮故障机理研究。构建了齿根动态应力与时变啮合刚度反问题模型,并搭建齿轮裂纹故障应变测试实验台来采集齿根应变;建立了相对应的有限元模型并将计算应变与测量应变代入反问题模型,从而实现齿轮啮合刚度的反向求解。计算结果表明,相比解析法和有限元法,所提方法显著提高了求解精度并且具备更高的可靠性。建立了齿根裂纹故障的齿轮系统动力学模型,通过对动力学响应进行时域及频域分析来揭示齿轮裂纹故障机理。

基于噪声辅助局部波动特征分解的齿轮裂纹故障定量诊断方法

将齿轮故障机理研究与故障诊断方法相结合,提出了一种新的基于噪声辅助局部波动特征分解的齿轮裂纹定量诊断方法。首先,建立了带裂纹齿轮系统动力学模型,获得不同裂纹程度下的动力学响应,从中提取对故障敏感而与工况无关的特征参数构成特征向量矩阵,输入到支持向量回归机中,建立了特征参数与齿轮裂纹程度之间的映射关系。然后,通过这种映射关系,对实际的齿轮裂纹信号采用噪声辅助LOD方法进行特征提取,实现了齿轮裂纹的定量诊断。

局部波动特征分解的模态混淆问题研究

局部波动特征分解(Local oscillatory-characteristic decomposition,LOD)方法是一种新提出的自适应时频分析方法。该方法以信号本身时间尺度特征为基础,采用微分运算、坐标域变换运算、分段线性变换等运算手段将信号自适应的分解成若干个瞬时频率具有物理意义的单一波动分量(Mono-oscillation component,MOC);但是,在分解过程中会产生模态混淆现象,使得分析结果失去信号的真实物理意义。针对LOD的模态混淆问题,采用仿真信号分析了在LOD分解下白噪声的统计特性,从而进一步获取LOD的滤波器组结构。在此基础上借鉴总体平均经验模态分解(Ensemble empirical mode decomposition,EEMD)方法,通过对目标信号不断添加不同的白噪声,以达到解决LOD的模态混淆现象的目的。通过分析仿真信号与试验信号,结果证明添加白噪声能够有效解决LOD方法的模态混淆问题。

基于EMD及灰色关联度的滑动轴承润滑状态故障诊断研究

针对滑动轴承润滑状态发生改变时,其声发射信号不同频带的能量分布与其润滑状态之间存在一定的映射关系,提出一种经验模态分解(EMD)与加权灰色关联分析相结合的诊断方法.采用EMD方法将滑动轴承非平稳声发射信号分解为有限个平稳的本征模态函数(IMF),依据相关系数法剔除IMF分量中的虚假分量,选取包含主要故障信息的前10阶IMF分量计算能量比例,并构造特征向量.结果表明:加权灰色关联分析对小样本模式识别具有良好的分类效果;通过加权灰色关联分析计算不同声发射信号的灰色关联度,能够有效地对滑动轴承的润滑状态进行诊断.

液压与气压传动课程混合式教学模式的创新与实践

随着我国工业的智能化升级,农业机械、工程机械等装备已大量应用液压系统和气动系统,针对现阶段液压与气压传动课程教学过程中存在的问题,紧跟行业人才需求,基于成果导向教育理念(OBE),对接液压与气压传动课程的知识掌握情况、问题分析能力、设计开发能力等教学目标,进行线上线下混合式教学模式的改革,对于培养智能装备制造领域的复合应用型人才,推动我国工业的转型和升级具有重要意义。

局部波动特征分解及其在滚动轴承故障诊断中的应用研究

提出了一种新的自适应时频分析方法——局部波动特征分解(Local Oscillatory-Characteristic Decomposition,LOD),该方法以信号本身的局部波动特征为基础,并采用微分、坐标域变换、分段线性变换等运算手段将信号分解为一系列瞬时频率具有物理意义的单一波动分量(Mono-Oscillatory Component,MOC),非常适合于处理多分量信号。在详细说明LOD分解原理的基础上,通过仿真信号将LOD、经验模态分解(Empirical Mode Decomposition,EMD)和局部均值分解(Local Mean Decomposition,LMD)进行了对比分析,结果表明了LOD的优越性。同时,针对滚动轴承故障振动信号的多分量调制特点,将LOD应用于滚动轴承故障诊断,对滚动轴承实验信号进行了分析,结果表明LOD可以有效地提取滚动轴承故障振动信号的特征。

局部波动特征分解及其在齿轮包络分析中的应用

提出了一种新的自适应非平稳信号分析方法——局部波动特征分解(Local Oscillatory-Characteristic Decomposition,LOD),该方法以信号本身的时间尺度特征为基础,并采用微分、坐标域变换、分段线性变换等运算手段将信号分解为一系列瞬时频率具有物理意义的单一波动分量(Mono-Oscillatory Component,MOC),非常适合于处理多分量信号。在详细说明LOD分解原理的基础上,通过对仿真信号的分析将LOD和经验模态分解(Empirical Mode Decomposition,EMD)进行了对比,结果表明了LOD的优越性。同时,针对多分量调制的齿轮故障振动信号在包络分析中的特点,将LOD应用于齿轮故障振动信号的分析,对齿轮实验信号和实际信号的分析结果表明,LOD可以有效地应用于齿轮的包络分析。

PMA-ASTFA及其在齿轮裂纹定量诊断中的应用

目前对齿轮裂纹的诊断研究多采用定性诊断,而工程实际中往往更关注定量诊断。由于齿轮裂纹信号往往表现出非线性非平稳特征,处理这类信号通常采用时频分析。自适应最稀疏时频分析(Adaptive and Sparsest TimeFrequency Analysis,简称ASTFA)是一种新的时频分析方法,相比于经验模态分解(Empirical Mode Decomposition,简称EMD)方法,ASTFA方法能更好地抑制端点效应和模态混淆,但ASTFA方法也存在分解得到的分量排列不规律的缺陷,从而给特征提取时分量的选择带来困难。针对这一问题,提出了一种改进ASTFA算法,即基于主模态分析(Principle Mode Analysis,简称PMA)的自适应最稀疏时频分析(PMA-ASTFA)方法,该方法可以根据所选择的故障特征参数(一个或多个)对内禀模态函数(Intrinsic Mode Function,简称IMF)分量进行排序。根据齿轮故障实验台建立齿轮动力学模型,选择对齿轮裂纹敏感的故障特征参数,再把PMA-ASTFA方法用于实测的齿轮裂纹故障信号处理。实验信号的分析结果表明,提出的方法可以有效地实现齿轮裂纹故障的定量诊断。

滑动轴承声发射信号分形特征提取及故障诊断研究

针对滑动轴承声发射信号具有随机性、瞬态性、时变性、多态性和易受干扰的特点,为有效地提取早期故障特征、提高在线监测效率,采用关联维数作为判断滑动轴承润滑故障的特征值。首先基于310 MW汽轮发电机组滑动轴承现场试验获得的声发射信号,分析滑动轴承声发射信号的分形特性并将其与传统的声发射特征值进行对比;然后利用关联维数对滑动轴承润滑状态进行定量分析;最后针对经典的G-P关联维数算法计算量较大的问题,对算法进行改进,并通过计算时间的对比证明改进后的算法计算效率更高。结果表明:关联维数不仅与滑动轴承润滑状态具有正相关性和一一对应性,而且更能敏感地表征滑动轴承的早期故障;采用改进后的关联维数算法能有效地提高监测效率,更适用于现场实时监测以保证机组安全稳定运行。

基于物理模型驱动优化WPD的弧齿锥齿轮故障诊断方法研究

弧齿锥齿轮作为收获机主动力输出的关键零部件,其故障表现通常为激励脉冲,为实现农业收获机主传动齿轮箱故障及时有效地监测诊断,本文提出基于物理模型驱动优化的小波包分解方法(wavelet packet decomposition,WPD)。针对齿轮损伤的多分量调制现象,该方法根据小波基函数特定时频窗口分析信号的特点,通过建立齿轮损伤集中参数模型,辅助筛选适应齿轮损伤特性的小波包分解系数,以此优化分解信号所选用的小波基函数,使之具有更好的提取齿轮故障特征信息的能力。通过对实验信号和藠头收获机齿轮故障信号的包络谱分析,验证了该方法能够有效地应用于收获机齿轮故障诊断。

声发射与EMD在滑动轴承状态检测中的应用

经验模态分解在滚动轴承和齿轮故障检测中的有效性已经得到验证,将其用于滑动轴承声发射信号研究,并结合峭度等统计指标,计算各本征模态函数的指标值。通过对某310 MW汽轮机组滑动轴承现场试验的实测声发射信号进行研究,发现在不同润滑状态下,原始信号的各指标值并未发生明显变化,而不同本征模态函数的各指标值对状态变化更为敏感,通过对比找到润滑状态变化时产生规律性变化的2个本征模态函数的统计指标,为监测滑动轴承的润滑状态提供一定的依据。

基于多源信号的单向阀内泄漏预测研究

单向阀作为液压系统重要元件,发生内泄漏故障时影响液压系统的工作效率和设备的安全稳定运行。针对单向阀内泄漏预测,提出了一种基于多源信号和布谷鸟搜索支持向量回归(CS-SVR)的单向阀内泄漏无损预测方法。首先建立单向阀内泄漏检测实验平台,获得不同工况不同故障特征下单向阀内泄漏的振动信号和声发射信号。然后利用小波包能量分析方法,提取两种信号最优频带重构信号的均方根值作为预测变量,并结合阀前压力建立基于布谷鸟算法优化的支持向量机回归(CS-SVR)的多源信号预测模型。最后,将模型进行对比分析。结果表明,布谷鸟搜索算法相对于网格搜索法(GS)和粒子群算法(PSO)对SVR模型参数寻优优势更大;基于多源信号输入的预测方法相对于单源输入的预测方法精确程度更高,同时该方法能实现不同压力、不同故障类别、不同故障程度的单向阀内泄率预测,平均相对误差为8.97%鲁棒性较高,为阀内泄漏无损检测应用技术的开发奠定了基础。

多通道多分量分解方法在变转速工况齿轮故障特征提取中的应用

齿轮故障振动信号在非稳态工况下,其分量可能存在跨时间尺度或不同分量重叠的复杂时频特征,传统的以局部时间尺度特征为依据的分解方法无法分解,为此,引入一种新的多通道多分量分解(MMD)方法。MMD方法创新性地将单分量信号看成具有不同权重系数的特征向量线性组合,通过迭代优化出权重系数,便可获得相应的分量信号。解决了MMD分析高采样率的实际振动信号时大数据量会导致其分解效率降低的问题,并将MMD方法应用于变转速工况下齿轮故障振动信号的分析,结果表明,该方法可以有效分解出在时频域发生重叠的故障分量信号,较传统的以时间尺度特征为依据的分解方法具有明显优势,结合阶次分析可以清晰准确地提取出齿轮故障特征信息。

基于解析有限元的齿根裂纹时变啮合刚度计算方法

当齿轮发生故障时,时变啮合刚度的变化能够反映齿轮故障特征大小。因此,时变啮合刚度在齿轮传动过程中是一个重要的动力学参数。提出一种新的齿根裂纹啮合刚度计算方法,即解析有限元法(Analytical-finite element method, A-FM)。考虑到齿轮发生故障时,啮合刚度解析模型计算精度较低,将应力强度因子引入裂纹齿轮的啮合刚度计算过程。首先定义应力强度因子与啮合刚度之间的关系,通过建立齿轮接触模型计算裂纹尖端附近的应力强度因子,然后将计算结果替代解析模型中故障刚度部分。由于应力强度因子能够敏感地识别齿根裂纹的局部微小变化,故该方法相比于解析法具有更高的计算精度,相比于有限元法具备更快的计算效率。同时,建立6自由度动力学模型,通过对其振动响应进行分析,仿真结果验证了所提方法的可行性。