在交变载荷作用下,轮齿表面不可避免地会萌生初始裂纹并逐步演化为剥落等故障,严重影响传动系统精度。但目前更多关注的是对轮齿表面出现显著故障时的研究,难以对轮齿表面早期故障进行实时监测。因此,亟须对轮齿表面早期故障演化机制开展系统性研究,及时识别轮齿表面早期故障特征。为此,基于改进的能量法,构建了齿面裂纹萌生及劣化为剥落故障的时变啮合刚度模型;考虑裂纹横向扩展路径及边缘接触效应,研究了其对时变啮合刚度的影响规律。结果显示,齿面裂纹和剥落对时变啮合刚度的影响都只在一定的区域内;裂纹长度的增加会使啮合刚度降低的速度加快;剥落宽度对啮合刚度的大小有影响;剥落长度对啮合刚度减少的开始和结束有影响;在边缘接触作用影响下,剥落边缘的啮合刚度会突然增加。

针对实际工程中采集的齿轮故障信号样本不足,以及在噪声干扰的情况下采用常见深度学习网络进行模式识别出现的训练不足、故障识别率低和生成对抗网络易发生模式坍塌等问题,提出了一种基于MGAN(Mixture generative adversarial nets)和CNN(Convolutional neural networks)的齿轮故障智能诊断方法。将真实齿轮信号经形态学滤波处理后通过时频变换技术转变为时频信号,利用MGAN网络合成新样本来获得一个平衡数据集,克服了样本不足的问题;同时,分析了MGAN网络主要参数对合成样本质量的影响规律;采用平衡数据集训练CNN进行故障诊断,有效提高了故障诊断率。通过对比试验和试验台试验,验证了该方法在样本不足条件下对故障进行准确识别以及克服神经网络模式坍塌方面的有效性及优势,为实现齿轮箱典型故障提取及智能识别提供了新的研究思路。

齿轮在啮合过程受到交变载荷的作用，会在齿面产生剥落等故障，严重影响齿轮啮合的稳定性和可靠性。推导了轮齿剥落故障时齿轮啮合刚度计算公式，研究了时变刚度计算方法，建立了轮齿剥落故障的齿轮啮合动力学模型；并利用试验验证了动力学模型的有效性。同时研究了缺陷尺寸和输入转速对齿轮振动特性的影响，引入包络谱信息熵的方法对缺陷时齿轮的振动特性进行了研究。为进一步研究齿轮故障分类等方法提供了理论依据和实践支撑。

轧辊磨削过程中受磨削参数和外界因素的影响，会诱发颤振导致轧辊表面产生振纹，严重影响磨削质量与效率。为了解决磨削中颤振带来的磨削质量问题，基于磨床双时延模型，考虑轧辊与砂轮转速的周期性变化，推导了变速工况下磨削力求解公式，建立了轧辊磨床砂轮与轧辊变速动力学模型。仿真分析了不同转速变化周期、幅值时轧辊磨床的振动特征，模拟了轧辊磨床不同磨削阶段的轧辊磨床颤振抑制方法。同时，将仿真数据与试验数据进行对比，验证了模型的有效性和准确性，为有效地抑制颤振和提高磨削质量提供了一个新的方法与手段。

齿轮在啮合过程中,轮齿表面不可避免地会出现点蚀、剥落等故障,严重影响齿轮传动的稳定性和可靠性。基于齿轮时变啮合刚度模型和6自由度剥落故障齿轮动力学模型,研究了利用Matlab小波工具箱构造与信号对应的自适应小波的方法,阐明了振动信号的时频特征变化规律,并通过试验验证了构建自适应小波方法的正确性和对齿轮表面剥落缺陷识别的有效性,为在黑箱状态下有效识别齿轮缺陷以及分析缺陷尺寸提供了必要的理论基础和实践支撑。