论文部分内容阅读
齿轮是旋转机械设备中的关键部件。齿轮传动系统结构复杂,工作环境恶劣,齿轮容易受到损伤,发生故障,影响旋转机械的正常运行。因此,对齿轮故障监测与诊断有着重要的意义。目前,齿轮故障诊断研究主要针对稳定载荷工况,而实际生产中存在变载荷情况,而变载荷激励下齿轮故障诊断技术面临着许多难题。因此,有必要开展变载荷激励下的齿轮故障诊断技术研究。本文的主要研究内容如下:为了研究齿轮故障的动力学特性和动力学机理,考虑齿轮故障会造成啮合刚度和齿轮质心发生变化的因素,建立了故障齿轮的4自由度动力学模型。采用变步长的四阶龙格库塔法对齿轮故障模型进行了求解,得到了故障齿轮的振动波形和频谱图。通过振动波形和频谱图研究了不同的齿轮故障对齿轮动力学特性造成不同的影响。针对变载荷激励下齿轮故障特征难以提取的问题,提出了一种基于经验模态分解(Empirical Mode Decomposition,EMD)和分形盒维数的变载荷激励下齿轮故障特征提取方法。该方法首先将变载荷激励下的齿轮故障信号进行EMD分解,然后选取含有齿轮故障特征的本征模态函数,从中提取无量纲时域、无量纲频域、能量域特征参量和分形盒维数,从时域、频域、能量域和分形的角度提取了变载荷激励下齿轮故障特征,为变载荷激励下齿轮故障分类奠定了基础。针对变载荷激励下齿轮故障难以分类的问题,提出了一种基于EMD和粒子群优化支持向量机(Particle Swarm Optimization Support Vectors Machine,PSO-SVM)的齿轮故障分类方法。该方法首先利用EMD对齿轮振动信号进行分解,并提取变载荷激励下的齿轮故障特征参量,然后归一化输入到PSO-SVM中,并对齿轮故障进行分类。通过对实验平台采集到的大载荷工况齿轮故障数据和多种载荷工况(多种载荷工况包括:大载荷工况和小载荷工况)齿轮故障数据进行了故障分类研究,实验结果表明该方法能有效地对大载荷工况激励下的齿轮故障进行分类,对多种载荷工况激励下的齿轮故障的分类效果不是很理想。针对多种载荷工况下的齿轮故障特征难以提取及分类的问题,提出了一种基于EMD和深度信念网络(Deep Belief Network,DBN)的变载荷激励下齿轮故障诊断方法。该方法先通过EMD去掉高频噪声和从其它部件传递过来的干扰信号,再把剩余的齿轮故障信号输入到深度信念网络中进行变载荷激励下齿轮故障特征提取和分类。实验结果表明该方法能有效地对多种载荷工况下的齿轮故障进行分类。