RV减速器振动特性分析

为了研究RV减速器的振动特性,建立了RV-20E型RV减速器的刚柔耦合动力学虚拟样机模型,利用灰色关联度分析了样机的准确性。之后通过模态分析,分析了RV减速器的整机模态频率、振型等。进一步使用有限元方法对RV减速器进行了瞬态动力学分析,得到了不同工况下的仿真信号,并与试验测得的不同转速、负载下RV减速器的加速度振动信号进行对比,仿真分析结果与试验结果吻合度较高。分析结果表明负载对RV减速器振动的影响较小,而转速对于RV减速器的振动有明显影响。

基于残差网络的RV减速器故障诊断

为了提升对RV减速器的故障诊断的准确率,采用残差网络诊断RV减速器的故障。通过振动试验台测得RV减速器4种故障模式与正常模式下的振动信号,由此构造训练和测试数据集,并对训练集进行数据增强处理。然后将截取的一维信号样本预处理转换为二维信号样本,输入残差网络进行训练和5折交叉验证。接着通过残差网络的分类准确率与DNN、LeNet、10层CNN等模型的准确率进行比较,结果表明残差网络优于传统方法,对RV减速器故障的分类准确率达到了98.11%。进一步采用了西储大学轴承数据集对模型的泛用性进行验证。最终,通过LDA(线性判别分析)对残差网络平均池化层的输出进行降维,分析了散点图与RV减速器故障类型之间的关系。

噪声干扰下的RV减速器故障诊断

在实际工况下,旋转矢量(Rotate vector,RV)减速器的振动信号往往掺杂噪声。被噪声污染后的振动信号给RV减速器的故障诊断带来挑战。为此,提出一种噪声干扰下的卷积神经网络模型(Anti-noise network,ANNet)以实现RV减速器的故障模式识别。该模型首先将一维振动信号通过信号堆叠的方式转化成二维灰度图像,然后采用Dropout操作直接对原始输入信号进行随机干扰,并同时利用多个不同尺度的卷积核对输入信号的不同特征进行自动提取和融合。进一步将ANNet算法与其他算法进行了对比分析,结果表明在不同强度的噪声干扰下,ANNet算法相比于其他算法具有更强的抗噪干扰能力;尤其是在强噪干扰环境下,ANNet模型的诊断准确率比现有算法高出10%~20%。最后探讨和解释了模型的特殊结构设计以及模型具备抗噪能力的原因。