关键词： 风电齿轮箱   故障诊断   深度学习   域适应   小波变换   特征提取  

摘要： 齿轮箱是风电机组中的关键部件,及时准确地实现风电齿轮箱的故障诊断,对确保风电设备安全运行,避免经济损失具有重要意义。相比传统的基于模型的故障诊断方法,深度学习凭借其对复杂非线性特征的强大提取能力,减少了人为干预,提升了故障诊断系统的智能化水平与准确性。然而,由于实际工业环境下的故障样本少于健康样本、标签获取成本高和检测系统的不完善等因素,齿轮箱故障诊断中出现了数据不平衡、带标签数据稀缺以及噪音标签等数据稀缺的问题,这给深度学习方法带来了巨大的挑战。本文以风电齿轮箱为对象,围绕数据稀缺下基于深度学习故障诊断方法面临的几个关键问题展开深入研究,具体研究内容如下: (1)针对数据不平衡问题,本文提出了一种基于小波变换和改进的深度残差网络的齿轮箱故障诊断方法。该方法通过在深度残差网络结构中融入注意力机制和空间变换网络,以及设计一种新的损失函数,成功应对了数据不平衡的挑战,显著提升了模型的泛化性能。实验结果证明了该方法处理不平衡数据问题的有效性和可靠性。 (2)针对少标签样本问题,本文提出了一种基于小波变换和改进的多源域适应网络的半监督学习方法。该方法通过利用多个源域的数据,从中提取互补信息,使模型能够学习到更丰富、更具泛化能力的迁移信息。同时,使用伪边缘向量实现对目标域中未知类别的精确识别。实验结果证实了该方法成功解决了带标签数据稀缺的难题。 (3)针对噪音标签问题,本文提出了一种基于数据处理和分类模型相结合的故障诊断方法。这种方法首先筛选出高质量的样本,随后,利用两个独立的分类模型对筛选后的样本进行训练,从而显著提升了诊断的准确性与可靠性。实验结果显示,即使在噪声标签比例很高的情况下,该模型依旧可以准确地完成故障识别任务。 最后,文章在完成上述研究的基础上,对数据稀缺下风电齿轮箱故障诊断中存在的问题和发展趋势进行了总结和展望。

关键词： 电动汽车   变速箱   小波降噪   特征提取   故障诊断  

摘要： 目前,纯电动汽车大多数使用少挡位变速箱以确保平稳运行,然而由于变速箱结构复杂、运行状态多变,长时间工作容易造成故障,影响机械设备的良好运转。因此,进行变速箱的故障诊断研究具有一定的意义。对变速箱进行故障诊断的重点在于对信号的降噪、特征提取,并且能够通过故障特征对故障类型及损伤部位进行有效判别。本文以一款纯电动汽车变速箱为研究对象,对变速箱进行仿真分析和实验研究,具体开展以下研究: 首先,考虑到变速箱在长期运行过程中受到各种工况和负载的影响,计算了变速箱中行星轮系和轴承的故障特征频率及啮合频率,构建了行星齿轮变速箱的三维模型,导入ADAMS仿真软件进行正常和断齿工况下的模型分析。通过时域和频域分析研究变速箱的振动特性,为故障检测提供一定的理论依据。 其次,考虑到振动信号受到噪声干扰容易使故障特征隐匿于背景噪声中,提出了基于完全自适应噪声集合经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)和改进小波降噪的故障信号处理方法。该方法利用CEEMDAN对振动信号进行初步分解,根据设定准则筛选本征模态分量(Intrinsic Mode Function,IMF)并进行小波降噪处理,对降噪中的未知参数使用模拟退火算法进行寻优,最后将所有分量进行信号重构。通过仿真实验表明该方法能够有效提升信噪比和降低均方根误差,从而滤除噪声,准确提取故障特征信息。 然后,为了有效、准确地从有限的振动信号中识别微弱的故障内容,需要提取振动信号在时域、频域和小波包域的特征信息并进行降维处理;为了减轻降维过程中差异值较大的离群点对数据的影响,提出了对数转换主成分分析(LT-PCA)方法对数据进行处理。在包含时域和频域的混合特征域中进行对数转换主成分分析(Logarithmic Transformation Principal Component Analysis,LTPCA),通过降维可视化技术,能够发现该方法可以有效分离不同故障类型。通过变速箱台架试验,对实际振动信号进行降噪、特征提取与降维,验证所提方法的有效性。 最后,针对支持向量机(Support Vector Machine,SVM)分类器在故障诊断中容易受自身参数影响导致分类精度不高等问题,本文提出了一种INGO-SVM的故障诊断方法。在经过降维处理后的故障特征向量基础上,引入改进的北方苍鹰优化算法(Improved Northern Goshawk Optimization,INGO)对SVM模型中的未知参数进行优化,提高了模型的分类预测精度。通过实验表明,所提算法能够有效实现对各种故障状态和正常状态的识别,具备实用性和可操作性。

摘要： 寒风响彻德国西南部一座小村庄的夜空，就连那墙角的草叶子上，也挂满了寒意。透过纱窗，依稀瞥见外面一抹淡黄色的光晕，与冷寂的月色交融在一起。此时，小工厂的厂主卡尔·本茨，正沉浸在一片齿轮的汪洋中，面对着他视若瑰宝的杰作——在外人眼中只不过是一台笨重复杂的单缸汽油机和一些零散的车架罢了。他以一向的固执与坚毅挥舞着钉锤，精准地敲打每一个关键点。在这样一个冷寂的冬夜，在这样一件即将完工的艺术品面前，这位机械师不得不加快了速度，他的思绪也逐渐变得缥缈，随着寒风的呼啸融入了黑夜。

关键词： 插齿机   非均匀啮合   误差评价   LSTM   精度优化  

摘要： 齿轮在机械系统中用于传递动力和运动,高精度齿轮可以提供更准确和可靠的传动效果,从而提高机械系统的性能和效率,其广泛应用于航空航天、汽车、机床和精密仪器等领域。插齿是加工圆柱齿轮的重要技术之一,常规插齿加工精度可以达到GB 6-7级,无法满足高精齿轮GB5级的加工需求,并且对于高精度偏心齿轮、扇形齿轮、内齿轮和短退刀槽齿轮加工尚没有理想的磨齿机。以数控插齿机作为研究对象,受机床零件加工精度、装配精度、机床控制精度和机床稳定性等多方面因素的制约,开发更高精度的插齿机存在较大困难。以数控插齿机作为研究对象,研究由误差在机测量、综合误差建模与评价、误差补偿系统等组成的高精度插削方法变得极其重要。本文研究的目的是在现有加工能力、检测和控制技术条件下对齿轮的插削加工工艺进行优化,针对齿轮的齿距累积总偏差和齿圈径向跳动公差建立了基于数据增强理论的长短时记忆网络预测模型,根据预测结果优化插齿加工轨迹参数,实现基于非均匀啮合的齿轮插削精度优化方法研究,提高插齿机加工精度。主要研究内容: (1)分析了数控插齿机加工原理,建立了插齿机物理模型和插齿加工工艺模型。探究了插齿机刀具径向进给轴、刀具旋转轴和工件旋转轴运动误差与齿距累积总偏差和齿圈径向跳动公差的映射关系,为研究基于非均匀啮合的齿轮插削精度优化方法提供理论依据。 (2)设计了基于全坐标检测的齿轮误差评价方法。采用三坐标测量仪对工件齿廓表面进行数据点检测,利用曲线拟合算法对数据点进行拟合,进而通过区域遍历方法寻优确定齿廓渐开线的位置,求解齿轮的齿距累积总偏差和齿圈径向跳动公差,实现误差评价。 (3)搭建了基于数据增强算法的长短时记忆网络预测模型。采用数据增强算法对齿轮误差数据进行特征提取,然后利用长短时记忆网络模型对待加工齿轮的齿距累积总偏差和齿圈径向跳动公差进行预测,比较了三种长短时记忆网络模型在对齿轮误差预测时的准确性,选择单层长短时记忆网络模型的误差预测结果用于误差补偿,为优化插齿加工工艺,建立基于非均匀啮合的齿轮插削方案提供了数据依据。 (4)基于插齿机各轴运动误差与齿轮误差的映射关系对预测结果进行解耦,在Vericut环境下设计了“变中心距、变刀具与工件相对啮合位置”的非均匀啮合齿轮插削工艺仿真实验,验证了基于非均匀啮合的齿轮插削精度优化方法的可行性。 (5)以YK5132C数控插齿机为研究对象,进行基于非均匀啮合原理的插齿加工实验,在ADAMS环境下构建齿轮数字滚检仿真实验平台进行精度验证。首先对插齿机加工的一批齿轮工件进行误差评价,并对待加工齿轮误差进行预测,根据预测结果优化加工工艺进行工件试切,之后利用数字滚检仿真实验平台对工艺优化前后所加工齿轮工件进行数字滚检对比,工艺优化后的齿轮加工精度得到明显提高,验证了研究方法的可行性和准确性。 通过对插齿机进行基于非均匀啮合的齿轮插削精度优化方法的研究,可以提高数控插齿机的加工精度、降低高精度齿轮生产成本,对于提高齿轮加工质量、生产效率、推动精密齿轮加工技术的发展以及助力我国制造业智能化进展具有重要的理论意义和现实意义。

关键词： 齿轮箱   故障诊断   贝叶斯网络   并行架构   结构学习   神经网络  

摘要： 齿轮箱已成为航空航天、汽车和重工业应用中的关键部件之一,其意外故障往往导致高昂的维护成本甚至灾难性事件。因此,准确识别潜在故障分布是提供有效维护方案的重要任务之一,现有的齿轮箱故障诊断模型普遍存在可解释性差和诊断实时性差的问题。这些模型往往缺乏清晰的逻辑推理过程和直观的结果展示方式,导致难以理解模型的决策依据和诊断结果的可信度。同时,由于模型结构复杂、参数众多,以及计算量大的特点,诊断过程往往耗时较长,难以满足实时性要求。因此,当前的齿轮箱故障诊断模型亟待改进,需要提高模型的可解释性,使其能够清晰地呈现推理过程和诊断结果,增强用户对模型的信任度;同时,还需要优化模型的计算效率,缩短诊断时间,以满足实时性需求。 针对现有的齿轮箱故障诊断模型存在逻辑推理过程不清晰、结果展示不直观,以及模型结构复杂、参数繁多、诊断实时性差的问题,本文提出了并行贝叶斯网络(Bayesian Network,BN)的齿轮箱故障诊断模型。以下是本论文的具体研究内容: (1)针对齿轮箱诊断方法在噪声环境下的鲁棒性较差,且在带标签的样本不足时存在诊断精度较低的问题,本文提出一种基于交叉验证递归特征消除法-高斯朴素贝叶斯(Recursive Feature Elimination And Cross-Validation Gaussian Naive Bayes,RFECV-GNB)齿轮箱故障诊断方法。该方法结合了RFECV在故障数据较少时能够有效挖掘故障信号的本质特征,以及GNB简单高效的性能进行齿轮箱故障诊断。同时,针对RFECV训练时间较长这一问题,本文提出一种基于CPU并行的任务“打包”算法来提高诊断模型的训练速度。该方法通过超额分配逻辑CPU(Logical CPU,LCPU)的方式,实现LCPU之间工作的有效平衡,以此缩短建模时间。 (2)针对齿轮箱诊断方法缺乏良好的可解释性以及模型复杂导致训练时间较长的问题,本文提出基于计算统一设备架构(Compute Unified Device Architecture,CUDA)并行的BN齿轮箱故障诊断方法。针对最大最小爬山(Max-Min Hill Climbing,MMHC)算法学习BN结构时容易陷入局部最优的问题,本文引入蛇优化(Snake Optimization,SO)算法,该算法使用多个个体代表潜在解,并在每次迭代中更新位置,这种多样性搜索策略有助于避免陷入局部最优解。针对学习BN故障诊断模型的复杂度高、实时性较差的问题,使用CUDA平台作为开发框架,利用CPU+GPU建立异构并行的BN来提高诊断模型的训练速度和诊断实时性。 (3)针对齿轮箱故障诊断中由于时变条件和测量噪声等不确定性因素而导致错误诊断的问题,提出了一种基于概率的故障识别方法,即并行贝叶斯脉冲神经网络(Parallel Bayesian Spike Neural Network,PBSNN)。该方法通过分析一维振动时序信号的多种特征,并运用BN框架,为齿轮箱故障诊断引入不确定性因素。PBSNN通过引入概率分布来表征模型的不确定性,从而在诊断模型中引入了置信度的度量,使得诊断结果更加可靠。

关键词： 齿轮滚刀   齿轮测量中心   几何误差测量   误差评定   软件开发  

摘要： 齿轮滚刀作为加工渐开线圆柱齿轮的主要刀具,其精度直接影响齿轮的加工质量,有必要对齿轮滚刀进行测量与评定。相比于传统滚刀测量仪器,齿轮测量中心具有高精度、用时短、适用范围广等优点,代表了当今零件制造测量技术的一个应用领域。本文基于齿轮类零件几何误差测量原理,以坐标测量技术为研究手段,对齿轮测量中心的齿轮滚刀几何误差的自动检测方法与评定进行研究,开发齿轮滚刀测量软件。主要研究内容如下: 齿轮滚刀几何构形创成方法研究。分析滚刀的几何特点,以齿轮滚刀基本蜗杆母线为基础,根据滚刀制造工艺,运用几何理论及坐标变换理论推导相应螺旋面、前刀面、刃口曲线等方程,建立齿轮滚刀几何构形创成数学模型,通过与三维实体模型轮廓特征点进行配准,验证数学模型的正确性。建立滚刀刃口间几何关系,为实现多头齿轮滚刀误差的测量路径规划提供理论依据。 齿轮滚刀测量路径规划与误差评定方法研究。结合齿轮测量中心结构特点,确立测量系统坐标系,提出测头标定方法和滚刀刃口识别方法。根据GB/T6084-2016《齿轮滚刀通用技术条件》标准规定的检测项目,规划齿形误差、螺旋线误差和啮合误差等项目的测量路径,明确对应项目的误差评定方法。针对待测滚刀存在安装偏心问题,提出基于椭圆误差模型的安装偏心辨识算法,为其误差补偿奠定理论基础。 齿轮滚刀测量软件开发。分析齿轮滚刀测量软件需求,设计软件总体架构,划分功能模块。采用分层模块化设计理念进行软件开发。基于.NET开发平台、WPF框架和SQL Sever数据库,配套齿轮测量中心硬件系统,采用C#和XAML语言开发齿轮滚刀测量软件的人机界面、参数设置、测量路径规划与运动控制、误差评定、一键式报表生成和数据保存模块。设计齿轮滚刀几何误差测量实验,并在齿轮测量中心上进行实验,对测量软件的运动路径规划、测量精度及误差评定算法的正确性进行测试与验证,实验结果表明,该齿轮滚刀测量系统的测量不确定度在0.2μm以内,满足滚刀测量精度要求,有较高的稳定性。此外,运用数理统计理论,提出基于滚刀测量数据的SPC分析方法,用于判断齿轮滚刀生产过程是否处于受控状态。

关键词： 复合材料   混合齿轮   轻量化设计   试验验证   数字孪生  

摘要： 混合齿轮(Hybrid Gear)是一种齿圈部分由齿轮钢制成,而其余部分由复合材料制成的齿轮。本文以旋翼机传动系统应用为背景,对混合齿轮进行轻量化设计、试验验证及数字孪生技术应用探索,搭建了相关实验台及数字孪生分析架构。旨在通过优化设计概念,采用高性能复合材料、仿真技术与数字孪生技术,推动齿轮系统设计与维护的技术创新。研究涵盖了混合齿轮的轻量化设计策略、复合材料的应用、综合试验验证,以及数字孪生技术的实践,体现混合齿轮技术和数字孪生技术的探索与创新应用。 首先,根据不同构型的混合齿轮结构力学分析结果的对比,选取较优的正弦联锁形金属-复合材料混合结构。再对混合齿轮的轮辐尺寸进行了优化设计,以达到更优的轻量化效果。通过静态分析和模态分析的有限元仿真,确保设计齿轮在满足结构强度与刚度要求的同时,实现轻量化目标。优化后的齿轮相较于全金属齿轮质量减少55.9%,相较于初始混合齿轮质量减少16.8%。这一阶段的工作为齿轮轻量化设计的实际应用提供了坚实的理论和数值参考。 其次,在试验验证方面,依据仿真优化结果,设计并加工了混合齿轮样件,同时建立了包括减速箱、伺服电机和转速转矩测功机等设备的试验平台。在不同转速和负载工况下,进行了振动试验测试,并在时域、特征信号、固有频率及频域分析中收集了齿轮振动特性的关键数据。通过对比齿轮的频域以及时域结果,优化后的混合齿轮在振动性能上具有更加稳定的结构。试验结果证明了混合齿轮设计方案的可行性,并为进一步的设计优化提供了重要的实验依据。 最后,讨论了数字孪生技术及其在混合齿轮故障诊断分析中的应用,提出了一种针对于复合材料-金属混合齿轮的基于数字孪生的故障诊断系统架构,并完成了混合齿轮数字孪生模型的构建。该模型可以持续生成高保真性的虚拟仿真数据。对比实际物理数据和虚拟仿真数据误差为0.3%,初步验证了数字孪生模型的保真性。 综上所述,本文通过混合齿轮的轻量化设计、试验验证以及数字孪生技术的综合应用,探索了航空齿轮系统的设计与维护的新路径,为混合齿轮的实际应用提供了重要参考。

关键词： 人字齿轮   对称度   齿轮测量中心   误差报告   偏载分析  

摘要： 目前现有测量人字齿轮几何误差的方法为将人字齿轮左、右旋齿轮单独依靠圆柱齿轮系统进行测量,而且人字齿轮的传动性能的测量还需要设计单独实验台来进行测量,针对无法一次性将人字齿轮左旋齿、右旋齿同时测量分析的现状,本文基于齿轮测量中心开发了一款可以对人字齿轮进行一次性装夹,实现全自动、多项目的几何误差专用测量软件,通过对人字齿轮几何误差的测量结果进一步分析其传动性能。 首先,基于齿轮测量中心提出人字齿轮的多种性能测试方法,参考圆柱齿轮几何误差测量方法,实现了人字齿轮的齿形、螺旋线、齿距、全齿对齐度等项目的测量,对人字齿轮的几何误差精度等级和传动性能进行评价。基于人字齿轮螺旋线V形顶点的定义,提出了可以表征人字齿轮传动性能的对称度评价、综合齿距误差评价和人字齿轮左右旋齿轮齿面偏载情况分析。 其次,基于齿轮测量中心的总体软件结构,从齿形、螺旋线、齿距、对齐度的测量原理和测量方案入手,介绍了各测量项目的误差计算原理和计算方法,规划其测量报告界面位置分布和绘图内容等。 最后,进行各个测量项目的重复性测量实验,齿形、螺旋线、齿距、对齐度的误差值的波动均可以保持在误差允许范围2μm内,验证本测量软件的稳定性;将人字齿轮进行上下端反向装夹,验证本测量软件的一致性;考虑到人字齿轮轴向距离过长,对人字齿轮进行工件安装误差的歪斜修正实验。通过多个测量实验说明本课题所开发的人字齿轮测量软件符合使用要求,目前本课题所开发的人字齿轮测量软件已用于商业化的实际生产工程中。

关键词： 齿轮箱   故障诊断   极限学习机   优化算法  

摘要： 齿轮箱作为化工厂机械装置的核心组成部件之一,其性能状况直接影响到设备的安全运行和整体性能。由于齿轮箱长期面临恶劣的工作条件,极易受到外部因素影响而出现受损。因此,对齿轮箱开展故障诊断技术研究,在增强设备稳定性方面具有不可忽视的作用。针对齿轮箱故障诊断研究,本文将着重探讨信号处理与故障分类两个方面的内容,主要研究内容安排如下: 基于齿轮箱的振动信号展现出的非线性和非平稳的特性。本文首先对齿轮箱的故障产生原理及种类进行深入剖析,并探讨了其故障信号处理方法。得出信号降噪与特征提取在信号分析中的必要性结论。针对不同的齿轮箱信号,采取差异化的信号处理技术进行处理。 首先,针对齿轮箱齿轮信号数据存在小样本、非线性等问题,提出一种新的基于极限学习机(Extreme learning machine,ELM)与改进麻雀优化算法(Improved sparrow search algorithm,ISSA)的故障诊断方法。结合小波阈值去噪(Wavelet threshold denoising,WTD)和改进的完全集合经验模态分解(Improved complete ensemble empirical mode decomposition adaptive noise,ICEEMDAN)方法精细化处理信号。采用Tent混沌映射和高斯变异策略对SSA进行改进,构建出了ISSA-ELM故障诊断模型。 其次,针对齿轮箱轴承信号存在特征分布复杂性问题,且ELM在解决此类问题上存在局限性。提出一种新的基于核极限学习机(KELM)与改进灰狼优化算法(Improved grey wolf optimizer,IGWO)的故障诊断方法。采用SG(Savitzky-Golay)与ICEEMDAN技术对信号进行处理。引入Tent混沌映射和混合正弦余弦算法改进GWO,并利用正弦权重系数和余弦因子改进正弦余弦算法,构建了IGWO-KELM故障诊断模型。 最后,针对齿轮箱易受到电流等多种因素干扰的问题,且KELM在处理这类信号时表现不够理想。提出一种新的基于混合核极限学习机(HKELM)和改进北方苍鹰优化算法(Improved northern goshawk optimization algorithm,INGO)的故障诊断方法。采用时间同步平均法(Time synchronous average,TSA)与时变滤波器的经验模态分解(Time-varying filter based empirical mode decomposition,TVF-EMD)技术处理电流信号特征。通过引入Tent混沌映射、混合正弦余弦算法以及Levy飞行策略改进NGO,并将余弦因子引入到正弦余弦算法中,构建了INGO-HKELM故障诊断模型。