关键词:
平行轴齿轮箱
状态监测与故障诊断
非参数健康指标
单向分类器
稀疏表示
摘要:
齿轮箱由于其传动扭矩大、承载能力强、结构稳定可靠等优点,被广泛应用于汽轮机、离心式压缩机等透平机械中,是电力、石化、能源及国防领域中关键的传动部件。但齿轮箱常在重载、高温、疲劳、高速和变速等复杂且恶劣的环境中工作,容易发生故障,导致不必要的停机,甚至引发严重的安全事故和人员伤亡。因此,针对齿轮箱开展状态监测与故障诊断,利用信号处理与机器学习的算法,实时监测齿轮箱的运行状态,并在检测到发生故障时及时停机检修,是保证设备正常运行的重要手段。为此,本文针对常转速下的平行轴齿轮箱开展状态监测与故障诊断算法研究,分别提出了用于齿轮箱状态监测的机理数据双驱动模型和用于齿轮箱故障诊断的稀疏表示最优原子构建方法,在公开数据集与自行进行的故障模拟实验中验证了方法的有效性。全文的主要内容如下:
1、分析了平行轴齿轮箱易发生的故障类型,分别针对齿轮故障与滚动轴承故障进行了典型故障的故障表现与信号特征的研究。同时自行进行了齿轮箱故障模拟实验,构建了多工况下的故障数据集用于后续算法效果的验证。
2、深入研究了非参数健康指标,在其基础上利用信号自我差分与多传感器数据融合,构建了基于数据融合的非参数健康指标,形成了基于齿轮箱故障机理的统计模型,能够仅利用各个工况下的正常齿轮箱振动数据实现较高准确率的状态监测任务。同时,基于单分类极限学习机理论,提取振动数据的梅尔频率倒谱系数与Gamma Tone倒谱系数作为信号特征,利用马顿核函数将特征映射到高维特征空间,构建出了适用于齿轮箱状态监测的数据驱动单分类模型。进一步地,通过对机理模型与数据驱动模型的深入研究,提出了能仅利用少工况正常齿轮箱的振动数据实现全工况下齿轮箱状态监测的机理数据双驱动模型,并通过PHM 2009公开数据集与自行进行的故障模拟实验,与传统的单分类模型进行对比,验证了本方法的优越性。
3、针对多重增强稀疏表示算法通过最大化相关系数寻找最优瞬态分量原子的方法在信噪比不够高时效果大打折扣的问题,利用具有多参数形状多变的非对称高斯啁啾模型构建小波原子,通过脉冲特征增强方法得到小波与原始振动信号的特征增强信号,通过最大化高斯条件下的循环平稳性检验指标,寻找与故障脉冲最为匹配的小波原子,成功分离出了故障瞬态分量。将所提出的方法与原始稀疏表示方法、解卷积方法、解调方法进行了效果对比,通过本文提出的两个量化指标与其他频域量化指标,验证了本方法的优越性。