关键词:
行星齿轮箱
故障诊断
数字孪生
虚实数据
一致性评价
摘要:
行星齿轮箱是机械传动系统中的关键部件,其性能对机械设备的正常运行至关重要。因此,实现行星齿轮箱的精准故障诊断,对减少停机时间和维修成本具有重要意义。在数据驱动的故障诊断中,面临一个主要挑战:故障样本稀缺。在实际工业场景中,由于故障发生频率低,获取大量真实故障数据变得困难,这限制数据驱动故障诊断的发展。为解决故障样本稀缺问题,基于数字孪生的故障诊断方法提供了一种解决方案,但该方法仍然存在模型保真度低、计算成本高、模型维度单一及缺少一致性评价体系等问题,限制工程应用。针对上述问题,本文提出一种基于一致性孪生数据的行星齿轮箱故障诊断方法研究,综合运用数字孪生、多传感器信息融合、深度学习等新一代前沿技术,实现对行星齿轮箱的精准故障诊断。
以下是本课题的研究内容:
(1)针对行星齿轮箱动力学模型保真度低的问题,提出多传感器信息融合,优化动力学模型输入的方法,实现行星齿轮箱运行状态的准确描述与精准映射。通过引入多传感器信息融合技术,结合电流扭矩与实测转速数据,形成多源实时转速数据,进而精确调整驱动转速,使得仿真结果与齿轮箱的实际运行状态精准一致,从而提高模型的保真度,为仿真模型保真度优化提供了一个新方法。
(2)针对数字孪生模型的计算成本高与模型维度单一问题,提出基于降阶模型的行星齿轮箱多维数据孪生方法。采用时间序列预测,构建基于LSTM的降阶振动模型,对振动数据进行平稳性分解并筛选相关性高的IMF分量进行预测,融合预测IMF分量得到降阶振动数据;采用多变量回归预测,构建基于CNN-LSTM的降阶异音模型,选择关键变量预测异音数据。降阶振动与降阶异音模型在降低计算成本的同时,从振动与异音两个数据维度精准反映系统的实际状态,为故障诊断领域提供更为丰富的数据支持。
(3)虚实空间一致性评价是获取一致性仿真训练样本的关键技术瓶颈,应用动态时间规整、余弦距离和暹罗神经网络技术,构建波形结构、数据方向和数据特征三个维度的评价体系,实现从直观层面到深度学习层面的多层次评价。为数据驱动的故障诊断提供全面、充分、准确的仿真训练样本与虚实同步进化提供理论支撑。
(4)针对数据驱动的故障诊断中存在故障样本稀缺问题,提出一致性孪生数据聚合的行星齿轮箱故障诊断方法。首先,通过构建齿轮箱动力学模型、降阶振动模型与降阶异音模型,生成多维仿真数据;然后,构建一致性评价体系,选取一致性最优的仿真数据,与实测数据聚合为一致性孪生训练样本;最后,构建基于卷积神经网络的声振融合故障诊断模型,实验结果证明,虚实数据融合驱动的策略能有效提高诊断准确率,缓解故障样本稀缺问题,为实现精准故障诊断提供全面、充分、准确的数据支持。
综上所述,本文通过引入数字孪生,为解决故障样本稀缺问题提供一种方案。针对模型保真度低、计算成本高、模型维度单一及缺少一致性评价体系等问题,开展多传感器信息融合驱动、基于降阶技术的多维模型构建以及一致性评价体系建立等研究,旨在为精准故障诊断提供全面、充分、准确的数据支持,并为行星齿轮箱故障诊断领域带来新的研究方向。