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。

基于Transformer和卷积神经网络的齿轮故障诊断方法

针对部分齿轮的运行环境复杂,导致采集的样本数据不够的问题,提出了一种基于Transformer和卷积神经网络(CNN)的迁移学习齿轮故障诊断方法。首先,采用高斯滤波对原始振动信号进行了预处理,使信号变得平滑,降低了噪声信号的干扰;再将信号处理成带有位置信息的补丁序列以作为Transformer的输入,并增强了Transformer特征提取的能力,提高了诊断精度;然后,将信号输入到CNN继续提取特征信息,在模型中添加了一个残差块以防止网络退化;接着,划分了实验室采集的齿轮数据集和东南大学齿轮箱数据集的源域和目标域,采用了源域数据预训练模型,选择了每种类型的齿轮各100个样本为目标域;最后,以不同数据集为源域共进行了4组10次重复实验,测试了模型的准确率。研究结果表明:以不同数据集为源域的4组10次迁移实验的齿轮故障诊断准确率较高,均在90%以上,最高准确率可达100%;与其他不含Transformer的卷积神经网络、多尺度卷积神经网络和二维卷积神经网络相比,Transformer-CNN的齿轮故障诊断平均准确率更高,其平均准确率可达到99.64%。因此,基于Transformer-CNN的迁移学习方法能在小样本下诊断齿轮的故障。

基于EMD分解和Levy-SSA-BP神经网络的齿轮故障诊断

为解决齿轮磨损早期故障诊断问题,提出了一种基于经验模态分解(Empirical Mode Decomposition,EMD)和算法优化反向传播(Back Propagation,BP)神经网络的故障诊断方法。首先,将声发射信号进行经验模态分解,得到本征模函数(Intrinsic Mode Function,IMF);其次,计算各IMF分量与原始信号的相关系数,并对各个分量进行特征提取,构成特征矩阵;最后,将特征矩阵放入经过Levy飞行和麻雀搜索算法优化后的BP神经网络中进行识别。对比BP神经网络和麻雀搜索算法优化后的神经网络,本文提出的算法准确率更高,且对轻微磨损故障的识别能力更好,可以用于早期齿轮故障诊断。

变反激励力作用下齿轮箱减振降噪方法研究

从主动振动控制原理出发,通过改变反激励力的方式研究齿轮箱减振降噪效果。建立齿轮箱系统动力学模型,分析获取轴承支反力,采用有限元方法对齿轮箱进行振动特性分析,并建立箱体振动实验平台,结合有限元分析与实验测试结果确定次级力源布放位置;基于主动振动控制方法,在次级力源上施加不同激励力抑制其振动,分析在不同激励力作用下的减振效果;将获取的箱体表面振动数据作为边界条件导入LMS Virtual.Lab声学软件中计算齿轮箱向外声场辐射的噪声。研究结果表明:施加相位相反、振幅相同的反激励力减振效果最佳,相比于无控制状态平均位移减小0.18mm,施加抑制主导模态的反激励力时降噪效果最佳,在1191Hz处最高降噪量达到50.13dB。

复合多尺度注意熵在旋转机械多工况损伤识别中的应用

针对传统旋转机械损伤识别方法存在模型精度低和抗噪性差的问题,提出了一种基于复合多尺度注意熵(CMATE)和随机森林(RF)的旋转机械多工况损伤识别方法。首先,提出了一种新的测量时间序列复杂度的非线性动力学工具——复合多尺度注意熵;然后,利用CMATE提取旋转机械振动信号的损伤特征,其表征了旋转机械不同工况下的损伤特性;接着,将损伤特征输入至基于随机森林构造的多类别分类器中,进行了损伤识别;最后,采用滚动轴承-齿轮箱、齿轮箱和离心泵3种旋转机械数据集,并分别构造了9种工况和20种工况的多工况损伤数据集,对该损伤识别方法进行了实验研究。研究结果表明:该旋转机械损伤识别方法分别取得95%、97%和100%的识别准确率,在准确率和特征提取效率两方面优于其他的非线性动力学工具;并且在0 dB、1 dB、2 dB和3 dB这4种不同信噪比的噪声干扰下,依然取得了不错的损伤识别结果,证明了该模型具有可观的抗噪性;同时,该损伤识别方法能够稳定地识别旋转机械的不同负载和转速下的损伤,平均识别准确率分别达到了97.2%和93.5%,具有较好的实际应用潜力。

基于CMMFDE与多传感器信息融合的旋转机械故障诊断研究

采用单一传感器采集的振动信号难以准确描述旋转机械动态特性,导致提取的故障特征无法准确辨识旋转机械故障。针对这一缺陷,提出了一种基于复合多元多尺度波动散布熵(CMMFDE)、多传感器信息融合和哈里斯鹰算法优化极限学习机(HHO-ELM)的旋转机械故障诊断方法。首先,引入复合多元粗粒化处理,提出了CMMFDE方法,避免了传统单变量分析方法只能处理单一通道振动信号而导致特征的表征性能不足的缺陷,增强了故障特征的表征性能;随后,利用布置在旋转机械不同部位的传感器收集了多种类型的信号,组成混合多通道信号,并进行了CMMFDE分析,构建了故障特征;最后,采用HHO对极限学习机的参数进行了自适应优化,并对特征样本进行了训练和测试,完成了旋转机械的故障识别工作;利用齿轮箱、离心泵两种典型的旋转机械数据集进行了实验分析。研究结果表明:该方法对多个通道的信号进行分析时,所获得的准确率达到了100%和98%,优于对单个通道信号进行分析时获得的准确率,同时CMMFDE方法的准确率和特征提取时间均优于精细复合多元多尺度熵(RCMMSE)、精细复合多元多尺度模糊熵(RCMMFE)、精细复合多元多尺度排列熵(RCMMPE)、多元多尺度波动散布熵(MMFDE)。

一种改进轻量化神经网络的齿轮箱故障诊断方法

针对齿轮箱故障诊断精度低以及深度神经网络模型对计算机硬件要求高等问题,提出了Shuffle-ECANet网络模型用于齿轮箱故障诊断。该模型以轻量化神经网络ShuffleNet V2为基础,在保留网络轻量化结构的同时对网络模型进行了优化,采用Gelu激活函数增强了模型非线性变换能力,嵌入高效通道注意力(efficient channel attention, ECA)模块以提高网络性能。深度可分离卷积提高了网络模型的运算效率,通道混洗技术使得信息更加流通,提高了特征表达能力。实验结果表明,本文所提网络模型在保证轻量化的同时适用于不同噪声工况的齿轮箱故障诊断,在原信号下可达99.6%的诊断准确率,在添加了信噪比为-8 dB的高斯白噪声下可达92.7%的诊断准确率。本文所提方法为神经网络更好地应用于齿轮箱故障诊断提供了一条新的途经。

多工况直升机附件齿轮箱振动故障诊断

针对直升机附件齿轮箱在有限多工况条件下故障特征提取难度大、识别准确率低等问题,提出一种结合变分模态分解(variationalmodedecomposition,简称VMD)与多尺度卷积神经网络(multi-scaleconvolutionalneural netwo,简称MCNN)的故障诊断方法。首先,对直升机附件齿轮箱进行地面实验和信号采集,对原始信号进行滤波、降噪等预处理;其次,利用VMD将信号分解为若干个固有模态(intrinsic mode functions,简称IMF),依据齿轮副频率特性对分解模态进行重构与归一化,增强微弱的高频故障特征;最后,将重构信号的每个分量视作不同尺度,经多尺度卷积神经网络进行多尺度特征提取并融合,由指数归一化分类器给出识别的故障类别。实验结果表明,所提方法能够有效增强信号故障特征,挖掘多工况条件下信号的差异性与同一性,在直升机附件齿轮箱振动故障诊断中平均准确率为97.25%。

基于SCADA数据协同的风力机故障检测与控制

为了在不停机的前提下,安全可靠地对齿轮箱进行故障检测,并实现风力发电机在齿轮箱故障工况下的容错控制运行,提出一种基于标准数据采集与监视控制(SCADA)数据协同的风力机故障检测与控制方案。介绍了风力发电机的系统模型与SCADA解决方案框架,通过回归建模、异常分析和集成学习对风力发电机系统进行故障检测并获得健康指标;借助模糊逻辑控制对风力发电机的输出功率进行降额控制,从而实现风力发电机在齿轮箱故障工况下的容错控制运行,最后进行仿真实验,并将仿真结果与一个实际运行的2 MW风力发电机系统进行对比。实验结果表明:该故障检测与容错控制方案可以有效地对齿轮箱进行故障检测,并在存在故障时适当对风力发电机的输出功率进行降额控制,从而降低叶片和塔架承受的应力,并有效降低了齿轮箱轴承和润滑油的温度。

WT2000系列风电机组齿轮箱空中更换技术研究

为了降低双馈异步风力发电机组主齿轮箱(增速箱)整体更换的成本,使作业流程更加简洁,在WT2000系列风电机组的基础上,设计一种主轴固定工装来临时代替齿轮箱的作用,固定主轴的后端。通过实践探究了WT2000系列风电机组齿轮箱空中更换作业中新的操作工艺和方法。结果表明:所设计工装大大降低了WT2000系列风电机组齿轮箱更换的作业成本(包含吊车成本和时间、人工成本),降低了维修期间的发电量损失。

基于正交试验的高速齿轮箱箱体静动态分析及优化设计

分析了高速齿轮箱箱体关键部位对箱体承载能力与工作稳定性的影响。箱体网格采用结构化六面体网格划分,对箱体承载能力与工作稳定性进行静态分析,确定箱体最大应力与应变位置,同时进行约束模态分析并提取箱体前6阶固有频率。依据分析结果对箱体进行优化,箱体最大应力与最大变形减小了8.6%和9.97%。同时箱体的第1、2阶固有频率分别提高了12.35%和6.16%,箱体总体质量减少了10.96 kg。

双轴桨叶混合机的几种结构形式探讨

混合是饲料配料和面粉配粉生产加工过程中的重要环节之一,配料效果很大程度上取决于混合机,随着配料工艺的提升,对混合机的要求也越来越高,混合机也经历了多种形式和规格的发展。通过对几种双轴桨叶混合机结构形式的研究,对几种双轴桨叶混合机的结构形式和优缺点进行阐述,为工艺设计和工厂选择提供参考。

某型市域车齿轮箱接地侧迷宫密封结构优化

针对某型市域车齿轮箱润滑油发黑问题,文章结合油样检测、齿轮箱拆解检查,以及接地侧流场仿真计算等进行原因分析,并通过台架故障复现试验进行确认。采取减小迷宫间隙、优化碳粉排放结构等措施对迷宫密封结构进行优化,并进行了仿真分析、台架试验和线路试验对比,结果显示优化后的迷宫密封结构可有效抑制碳粉进入齿轮箱内部。

基于IPSO优化PNN方法的耕耘机齿轮箱故障诊断

分析耕作机齿轮箱的振动信号有助于判断其故障诊断结果。概率神经网络(PNN)具备自适应学习、非线性分析与优异故障信号识别能力,对于神经网络算法缺陷具有良好的弥补效果。设计了一种优化粒子群算法(IPSO)优化PNN方法,并应用于齿轮箱振动信号检测领域,实现齿轮箱振动参数的精确判断。研究结果表明:本文算法也可以消除重复迭代计算过程的冗余操作,大幅缩短振动分类过程所需的时间。该研究有助于提高农业机械设备的运行效率,可以拓展到其他的机械传动领域,具有很广的应用市场。

变速箱行星齿轮的分岔特性分析

针对变速箱多级齿轮传动系统产生的噪声问题,以非线性动力学理论为基础,对齿轮传动系统的振动响应状态进行预测与控制。以某变速箱一档齿轮传动系统为研究对象,建立动力学微分方程,对其分岔特性与稳定性进行研究,得到位移相图和poincare图,分析了激励频率、功率、啮合阻尼对齿轮系统分岔特性和运动稳定性的影响。结果表明,在保证系统传递效率的前提下,转速不变时选择较大的功率与适当提高啮合阻尼对分岔特性有积极影响,可以弱化混沌运动,提高系统稳定性,为变速箱齿轮优化设计分析奠定理论基础。

基于IBOA-ERF的风力发电机齿轮箱故障检测

针对风力发电机齿轮箱故障检测模型参数优化难度大的问题,提出一种基于改进的蝶形优化算法的极端随机森林故障检测模型。将故障检测模型虚警率与漏警率的代数和构造为适应度函数,改进个体初始位置和位置更新策略。引入混沌映射策略代替原有的种群初始化方法,增强初始种群分布的随机性。提出一种自适应惯性权重因子,结合鸽群优化算法的地标算子更新种群位置迭代方程,加快收敛速度,提高蝴蝶优化算法的多样性和鲁棒性。采用局部搜索阶段和全局搜索阶段的动态切换方法,实现全局搜索与局部搜索的动态平衡,避免陷入局部最优。建立极端随机森林故障检测模型,利用改进的蝶形优化算法获取最优参数,实现所提模型在高维数据下具有良好的鲁棒性和泛化性的快速响应。与其他优化算法相比,所提风力发电机组齿轮箱故障检测方法具有较低的误报率和漏报率。

增速箱异响问题浅析

增速箱在商用车混动化市场中的可应用范围广,在使用过程中往往会出现异响、密封不严的现象,导致产生机油乳化等问题。文章针对增速箱的输出轴提出了一种新能源混动车型增速箱异响问题分析处理的方法,即通过台架测试噪声、振动与声振粗糙度(NVH)分析,拆箱检查及零部件测量等方法,确认产生异响的原因为加工不良的增速箱输出轴与发动机输入轴啮合精度降低导致的异常磨损。通过改进增速箱输出轴齿轮加工精度即可解决此问题,为后续增速箱异响提供解决方案与思路,并在混动车型质量问题的处理中可广泛推广。

整体式箱体结构矿用行星减速器锥齿轮副接触区调整关键技术研究

针对煤矿井下采煤工作面刮板输送机配套的行星齿轮减速器整体式箱体结构,研究其输入轴和第二轴的结构和定位方式等,实现其在箱体内的整体组装和圆锥齿轮副接触区的调整,满足设计和使用要求。新的结构和技术为整体式结构矿用行星齿轮减速器圆锥齿轮副接触区调整提供了一种新的解决方案。

基于LF-GWO优化FKCA模型的齿轮箱故障诊断研究

采用莱维飞行策略对灰狼优化算法进行了优化,显著提升了算法的初期搜索性能。建立了LF-GWO算法求解FKCA模型,并给出了故障诊断步骤。通过实验验证结果表明:经过800次迭代计算处理时,LF-GWO寻优形成的最小错误率2%,以LF-GWO/FKCA诊断测试集时获得了98%的正确率,只对点蚀与磨损的故障类型存在错误判断各一处情况。相比较FKCA和BP方法,采用LF-GWO/FKCA方法则可以将无标签缺齿数据归为第4类,从而实现与已知故障类型的区分,达到了更高的正确率,实际测试正确率为98%,显著提升故障诊断正确率。对齿轮箱的故障进行诊断仿真显示本文设计的诊断方法可以达到很低的错误率,表现出了优异的故障诊断性能。