为了研究压力场特性对重载机车齿轮箱润滑和密封的影响规律,基于计算流体动力学和格子玻尔兹曼方法,建立了考虑通气孔处密封结构的齿轮箱内部压力场仿真模型;通过仿真结果与试验数据对比分析,验证了仿真模型的正确性;基于该模型,研究了不同因素对齿轮箱内部压力场的影响规律。结果表明,齿轮转速和转向对齿轮箱内部压力场影响较大,所有监测点处的压差均值或压力均值的绝对值与齿轮转速成正相关且非线性变化;齿轮转向会改变齿轮啮合区上侧和下侧两点的压差,其压差在齿轮正转时更大,齿轮转向对其他监测点的压力影响也较大;从动齿轮浸油深度和润滑油温度(动力黏度)对齿轮箱内部压力场影响较小。研究结果可为机车的运营维护和润滑油的合理配置提供理论依据。

齿轮箱振动信号具有非线性冲击特征,其有效特征信息易于被振动信号其他干扰成分所淹没。针对如何有效提取其冲击特征这一热点和难点问题,通过构建直齿锥齿轮动力学模型,研究其典型故障振动机理,提出了一种基于改进型极点对称模态分解(ESMD)和支持向量机(SVM)相结合的故障诊断方法。该方法通过改进型ESMD将振动信号自适应分解为多个IMF分量,然后利用最大峭度-包络谱指标选取一定量的分量并提取每个分量的奇异值,构建特征向量集合并输入SVM进行故障模式识别。动力学仿真模拟和齿轮箱实验研究表明,改进型ESMD-SVM法能够有效提取并识别齿轮箱故障信息。

由于齿轮箱故障振动信号具有非平稳性与不确定性的特点,导致齿轮箱故障诊断精度较低。针对该问题提出一种基于局部均值分解(LMD)云模型特征提取结合粒子群优化(PSO)核极限学习机(KELM)的齿轮箱故障诊断方法。首先,将故障振动信号用LMD分解得到若干PF分量,并利用相关系数原则筛选出相关性较高的PF分量;其次,在云模型中输入筛选后的PF分量,采用逆向云发生器对特征向量进行提取并输入到PSO-KELM中进行故障诊断;最后,利用QPZZ-Ⅱ实验台齿轮箱实测数据对该方法进行了性能分析。结果表明,该方法识别精度为97.65%,与多种方法进行对比,该方法具备最佳识别性能。

为了实现无人直升机齿轮油国产化,明确不同性能的齿轮油对齿轮箱性能的影响,从而科学地提高齿轮箱的可靠性和寿命,郑州机械研究所有限公司联合多家单位自主开发了80W-140型无人直升机齿轮油。在实验室对油品性能测试的基础上,通过齿轮箱综合性能试验台对80W-140型油品和进口油的性能表现进行了对比测试,并对台架试验测试得到的振动、噪声、温度、效率和胶合转矩等指标进行了分析。结果表明,不同性能油品对齿轮箱的效率和承载能力的影响明显不同,所研制的80W-140型油品具有较好的抗磨减摩和抗胶合性能,可有效提高齿轮箱的可靠性。

为提高航空发动机齿轮箱壳体的结构性能,减小发动机恶劣工况对壳体产生的不利影响,采用基于变密度法的拓扑优化理论,以最小柔度指数和加权平均模态特征值为目标函数,考虑壳体所处环境的热、弹、流等耦合影响,以最大变形不超过0.15 mm、等效应力不大于材料屈服应力为约束条件,对航空发动机齿轮箱壳体进行了拓扑优化设计;根据拓扑优化结果,对壳体结构进行了几何重构,并对优化前、后壳体结构的强度、刚度、质量进行了对比分析。结果表明,优化后的壳体质量由5.53 kg下降到5.107 kg,减重7.64%;壳体最大变形由0.1731 mm下降到0.127 mm,变形减小26.6%;壳体最大等效应力由124 MPa下降到116.9 MPa,等效应力减小5.7%。在减小壳体质量的同时,有效地降低了壳体的最大变形和等效应力,显著提升了壳体的强度和刚度。对提高航空发动机齿轮箱传动壳体可靠性和寿命具有...

提出了基于时频联合(TFC)特征提取和改进的监督局部切空间排列(MS-LTSA)的流形学习的齿轮箱故障诊断的方法。首先,提出了信号的时域、频域和HHT时频域三者结合的特征提取方法,以获取振动信号全面的特征向量信息;然后,提取高维特征向量的奇异值,利用流形学习理论对奇异值矩阵进行降噪;最后,通过降噪后的特征向量实现对齿轮箱各种故障的高效、精确地故障识别。提出的MS-LTSA方法实现了数据集内部结构信息和类判别信息的结合,提高了所提取低维特征的聚类效果;通过实验数据的分析,证实了所提方法在齿轮箱诊断上的优异表现和应用价值。

针对在强噪声背景下难以识别齿轮箱早期故障以及复合故障的问题,提出了一种改进辛几何模态分解(Improved symplectic geometry mode decomposition,ISGMD)和最小熵解卷积(Minimum entropy deconvolution,MED)相结合的故障特征提取方法。首先,将信号经最小熵解卷积预处理,突出信号中的故障冲击成分;然后,将故障增强信号通过改进辛几何模态分解自适应地分解为若干辛几何分量,并依据峭度最大准则选取峭度值最大的敏感辛几何分量;最后,对选定的敏感辛几何分量进行包络分析,从而有效地提取出齿轮箱的故障特征。通过实验,验证了该方法的有效性。

针对传统的频谱分析方法在非平稳工况下导致的"频谱模糊"现象,利用信号模型和阶次分析的方法对风电机组齿轮箱进行了故障诊断研究。建立了非平稳工况下齿轮箱高速级的振动信号模型,推导了其时频谱及阶次谱结构,利用阶次分析的方法分析了振动信号的阶次谱,提取了齿轮故障特征。最后,利用真实风场齿轮箱振动数据进行分析,对齿轮箱故障进行了准确识别。

为了提高齿轮箱故障诊断的准确率,准确表达齿轮箱的健康状态,结合深度学习算法,提出了一种用于齿轮故障诊断的GAF-inceptionResNet模型。该模型可以直接将原始一维振动信号经过格拉姆角场变换后形成图像作为模型的输入,通过Stem-block、残差Inception、残差模块和分类层相互连接。残差Inception网络能够拓宽网络深度,提升训练时长及准确率;残差模块利用恒等映射可以大幅度降低模型的训练难度。因此,该模型可有效地挖掘信号特征之间的信息,使模型的特征学习能力增强,从而提高准确率,精准确定故障。实验结果表明,该模型能够达到99.59%的故障诊断精度,有效实现齿轮箱良好的故障识别与分类。

针对齿轮箱混合故障信号非线性、非平稳、噪声成分多以及多故障信号相互干扰的特点,提出了基于变分模态分解和相关峭度的齿轮箱混合故障诊断方法。利用变分模态分解能够有效地将信号分解为若干个具有紧致性模态分量的特点,对混合故障信号进行分解处理,将包含不同故障的模态分量分离出来;然后,根据相关峭度能够识别不同周期的冲击性信号的特点,利用最大相关峭度原则提取出包含不同故障的模态分量;最后,对这些模态分量进行包络分析,实现混合故障诊断的目的。通过实验信号的分析验证,证明了所提方法应用在混合故障诊断中的有效性。另外,分析了模态分量个数变化对方法结果的影响,为后续研究提供了经验性的结论。