论文部分内容阅读
齿轮箱是各类机械中重要的变速传动装置,为保证其平稳可靠运行，本文把齿轮箱中的易损关键零部件滚动轴承和齿轮作为研究对象，以近几年比较新的诊断算法作为研究手段，对强背景噪声环境下，从早期故障信号中提取微弱故障特征信息，进一步对故障特征进行识别进行了研究。 （1）从齿轮箱发生故障的机理出发，确定以提取齿轮箱中关键零部件早期故障中微弱周期性冲击特征为研究重点。通过机理分析，明确早期故障在振动信号中的表现形式，有针对性的提取处理故障信号，提取表征故障的有用信息。 （2）齿轮箱中滚动轴承出现早期故障时，其障特征信息比较微弱难以识别且使用带通滤波器时参数设置需要依赖使用者经验等，这造成了共振带不能有效确定并自适应提取。针对该问题，提出了基于双树复小波包变换自适应Teager能量谱的早期故障诊断方法。将提出的方法应用于仿真信号和轴承故障实验数据，准确地识别出轴承微弱的故障特征频率，验证了该方法的有效性和可行性。 （3）针对齿轮早期故障振动信号的非平稳特性和现实中受环境噪声影响严重，故障特征微弱难以提取的问题，首先利用总体局部均值分解(ELMD)对齿轮故障振动信号进行分解得到有限个单分量的乘积函数，从而凸显信号的局部特性。但由于噪声的干扰，从各分量的频谱中很难提取故障特征频率信息。基于此提出了ELMD和奇异值差分谱的故障诊断方法。通过对齿轮故障实验数据和工程案列分析，该方法能够准确、有效地提取齿轮微弱的故障特征信息，为实际工程应用提供了一种新方法。 （4）研究了变分模态分解（VMD）的降噪特点，同时针对其分解层数难以确定的问题，提出一种中心频率筛选的VMD分解层数改进方法（KVMD）。由于齿轮箱关键零部件早期故障振动信号受环境噪声影响较为严重，本文将KVMD和最小熵反褶积（MED）融合，提出基于KVMD和MED的故障诊断方法，并应用于齿轮箱故障实验数据和工程实际信号分析中，提高了微弱故障特征的识别能力。 本文以齿轮箱中易损关键零部件滚动轴承和齿轮为研究对象，对滚动轴承内圈、外圈、滚动体点蚀、齿轮齿根裂纹、齿轮齿面磨损等早期故障振动信号进行分析。通过实验验证和工程应用实例分析表明所提方法均能达到满意的诊断效果。