针对齿轮点蚀故障特征难以提取的问题,提出了一种基于改进变分模态分解的齿轮点蚀故障诊断方法。利用经验模态分解自适应分解的特点,将各分量的能量占比作为有效分量的判断依据,并据此设定变分模态分解算法的模态个数,在此基础上,以变分模态分解分量的排列熵和最小值作为适应度函数,用遗传算法对惩罚因子进行搜索;根据所得结果设置变分模态分解参数,并对齿轮点蚀信号进行处理;筛选合适的本征模态函数进行包络调解,通过包络谱图分析齿轮点蚀故障的特征信息。对齿轮实验信号的分析表明,与现有方法相比,本文中提出的改进变分模态分解算法能够更加准确地识别出齿轮点蚀故障,在传动系统故障诊断方面具有一定实用价值。

提出了一种基于计算机仿真的解析法,用于量化齿轮副在不同齿轮故障情况下的时变啮合刚度。齿轮故障在影响齿轮副传动的同时往往也伴随着刚度的降低,时变啮合刚度是状态监测和啮合齿轮副动态特性描述的一项重要参数,势能法是计算时变啮合刚度最常用的分析方法之一。采用势能法研究了含裂纹齿轮、断齿和齿面剥落等3种故障情况对于齿轮啮合刚度的影响。结果表明,由于齿轮故障的存在,导致了时变啮合刚度的降低,进而影响了直齿轮副的振动响应。

通过将经验模态分解(EMD)和AR功率谱参数估计模型相结合,提出一种基于EMD-AR谱估计提取频带能量特征的方法。对振动信号进行经验模态分解,并将分解后能量占比较大的前几组固有模态函数分别进行AR谱估计得到EMD-AR谱曲线;按照频带对EMD-AR谱曲线分段并分别对每一段的能量进行求和,归一化后作为特征值。搭建齿轮箱故障试验平台,采集振动信号进行EMD-AR谱频带能量特征提取,并将所得特征值输入到SVM中进行训练和诊断。结果表明:该特征提取方法结合SVM所得

为了提高对齿轮非平稳、非线性故障振动信号的可分性及其故障诊断的准确性,并针对其高维数据样本的特点提出一种基于流形学习与LVQ的齿轮故障诊断模型。该模型首先利用集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)方法进行齿轮故障振动信号的分解,得到一系列固有模式函数(Intrinsic Model Function,IMF)分量。接下来对含有主要故障信息的IMF分量进行特征提取和选择并构造高维观测样本,再用流形学习等距特征映射(ISOMAP)算法对初步的高维观测样本故障特征进行进一步的提取并对特征属性的数量进行压缩,在保留齿轮故障特征的整体几何结构信息的同时降低了特征数据的复杂度,增强了齿轮故障模式识别的分类性能。最后通过学习矢量量化神经网络(Learning Vector Quantization,LVQ)根据样本的特征将样本划分到一定的类别中去从而实现模式识别。通过比较实...

提出了一种基于电机定子电流的齿轮故障诊断方法。相对于齿轮故障诊断的一般振动信号诊断方法,该方法具有可实现远程诊断、便于安装且受环境噪声影响小的优点,是一种无损的故障诊断方法。针对电机驱动的齿轮传动系统,建立了负载转矩对电机定子电流的理论模型;并分析了各种状况时的定子电流频谱特征,发现可以利用基频与转频的变频带、基频与啮合频率的边频来判断齿轮断齿故障和磨损故障。通过Matlab/Simulink对电机齿轮系统进行了仿真;并在实验平台上进行了验证。

齿轮智能故障诊断模型的训练数据通常来自特定转速下进行的振动实验,当齿轮传动系统实际运行转速与振动实验不一致时,诊断模型有可能失效。由齿轮传动系统振动机理分析可知:齿轮传动系统振动响应信号中包含了随转速变化幅度大且不能反映真实故障情况的干扰成分;振动响应信号幅值谱中具有对转速变化不敏感的故障特征。根据齿轮传动系统的结构、运行参数以及振动特性等先验知识,去除振动响应信号中的干扰成分,并以剩余信号的幅值谱作为诊断模型的输入样本,能够减小不同转速下同类别样本之间的特征差异,有效提高模型的泛化能力,使其能够适应一定程度上的转速变化。

借助虚拟样机软件ADAMS建立了某采煤机截割减速器的虚拟样机模型,并分别对正常工况和人为构造的断齿故障工况进行了动态特性仿真。通过分析比较不同工况下的仿真结果,找出了齿轮断齿故障的故障特征。

在齿轮故障研究中,对信号进行自适应的分析能取得很好的效果。在振动信号上,经验模式分解(EMD)能够很好地满足信号分析方法的自适应性。但经验模式分解不够完善,该研究在经验模式分解的基础上提出了极值点等差分组的广义经验模式分解(Generalized Empirical Mode Decomposition,GEMD),并在齿轮断齿故障中进行试验分析,取得了一定的效果。广义经验模式分解(GEMD)包含了EMD,是对EMD的补充与完善。

发电厂汽轮机的液压系统供油动力是由齿轮泵提供的齿轮泵发生故障将会影响汽轮机的安全运行为此采用峰值法及相应的艾默生（Emerson）的CSI 2130机械状态分析仪诊断齿轮泵故障。实践表明：峰值分析法可以将细微的故障信号从众多噪声信号中分辨出来明确地判别齿轮和轴承故障迹象具有较高的准确性和可靠性。