关键词:
行星齿轮箱
低速重载
故障特征增强
故障诊断
监测系统
摘要:
行星齿轮箱由于具备大传动比、动力传输稳定、承载能力强等优点,广泛应用于港口起重设备、重卡、盾构机等大型低速重载设备。然而,行星齿轮箱作为传动系统最重要的动力传输部件,长期服役于低转速、大负载、强冲击等恶劣工况下,其关键部件轴承、齿轮容易出现故障,轻则导致设备动力系统受损降低生产效率,重则引发重大安全事故。因此,开展低速重载行星齿轮箱故障诊断技术研究,对于降低工业设备维修成本、减少计划外停机检测以提高工业生产效率具有重要意义。
本文以港口起重机械这一典型低速重载设备为例,针对低速重载行星齿轮箱存在的状态监测不准确、故障特征微弱难以提取以及强噪声背景下的故障状态自动诊断准确率低等问题,开展了随机脉冲干扰检测和抑制、微弱故障特征增强提取、复合故障解耦分离以及故障状态自动诊断四个方面内容的研究,以期在低速重载行星齿轮箱故障诊断方面提供新的方法和思路。本文的主要研究内容如下:
(1)针对港口起重机械由于频繁启停、换向、刹车等复杂工况造成行星齿轮箱振动信号中包含丰富的随机脉冲干扰成分,严重影响基于特征参数的设备状态监测准确性的问题,提出了基于统计特征比和改进形态滤波器的随机脉冲干扰检测和抑制方法。首先,构造了基于线性峭度和方差加权四分位差的脉冲检测指标,提出了基于长短时窗统计特征比的随机脉冲干扰检测方法,并给出了检测阈值的自适应确定准则以及脉冲干扰完整边界的确定方法;进一步,构造了一种形态顶帽平均运算,并基于最大化线性峭度自适应确定结构元素长度参数,实现对随机脉冲干扰的抑制;最后,通过实验数据和港口卸船机工程数据验证了所提方法对行星齿轮箱振动信号中随机脉冲干扰识别和抑制的有效性。
(2)针对由于低速重载行星齿轮箱故障特征微弱及现场强环境噪声影响导致的早期故障难以准确诊断识别的问题,提出了一种基于参数优化的变分模态分解和双耦合Duffing振子正反向检测联合的行星齿轮箱单一微弱故障特征增强提取方法。首先,选取最大加权峭度作为适应度函数,利用天鹰优化器自适应确定变分模态分解算法的最优关键分解参数;然后,基于灰色关联度理论,选择包含丰富故障特征的模态分量;其次,构建了一种基于标准差加权的平均欧式距离的混沌相变的定量判据,并提出了基于双耦合Duffing方程正反向检测的行星齿轮箱故障特征提取方法,基于反向检测方法对敏感分量进行边频带检测以判断行星齿轮箱健康状态,基于正向检测方法对敏感分量的包络信号进行故障类型识别;最后,通过仿真和实验分析验证了所提方法对于单一微弱故障特征的增强提取性能。
(3)针对复合故障中不同故障之间相互干扰导致复合故障中能量微弱的特征难以被准确提取而出现误诊、漏诊的问题,提出了一种基于故障特征导向的自适应模态分解方法。首先,构造了一种基于周期加权包络谱峭度和相关负熵的故障冲击指标,用于有效表征故障特征的冲击性和周期性;进一步,以最大化故障冲击指标为目标函数,基于盲卷积理论,设计了有限冲击滤波器组对原始信号进行自适应分解;然后采用变权重粒子群算法对关键分解参数进行自适应寻优,并基于最优分解参数实现对不同故障成分的解耦分离;最后通过实验分析验证了所提方法在复合故障分离诊断方面的有效性,且故障分离诊断效果优于最新的特征模态分解方法。
(4)针对强噪声背景下低速重载行星齿轮箱故障特征微弱难以识别以及工业大数据背景下传统的特征提取方法难以有效处理海量数据的问题,在前述特征增强提取方法的研究基础上,提出了一种基于脉冲-图注意力网络的行星齿轮箱故障状态自动诊断方法。首先,在特征增强研究的基础上,提出了一种基于混沌理论的构图方法,通过构建双耦合Duffing振子阵列对原始信号进行降噪重构,并采用K-近邻方法将重构信号构建为图数据;其次,深度融合图注意力网络的空间特征提取能力和脉冲神经网络的时间特征提取能力,构建了新型脉冲-图注意力网络诊断框架,实现对图数据的自适应脉冲编码以及时空特征提取,并通过两个实验室数据集验证了所提方法在强噪声背景下行星齿轮箱故障状态识别的准确性和有效性;最后,基于Lab VIEW开发了一套齿轮箱故障状态监测系统,实现齿轮箱故障状态的在线监测与诊断。
本文末尾对全文的研究成果和创新点进行了全面概括,同时对未来研究的方向和工作进行了展望。