关键词： 尾传输出锥齿轮组件   轴承   相对转动   磨损   改进设计  

摘要： 本文针对某型直升机传动系统主减速器尾传输出锥齿轮组件轴承内环和齿轮轴由于相对转动导致的磨损问题，通过分析故障原因，确定失效原因为轴承所受压紧力不足。针对该故障，对尾传输出锥齿轮组件进行改进设计，通过增大轴颈过盈配合量及增加压紧装置，抑制轴承内环发生转动，解决轴承内环和轴颈磨损问题。经计算分析和试验验证表明，该尾传输出锥齿轮结构改进设计效果明显，方案切实可行，可为今后其他型号主减速器的研制和改进设计提供参考。

关键词： 高速齿轮   点蚀   裂纹   两相流   接触空化   空化射流冲击  

摘要： 齿轮传动作为常见的传动系统,其可靠性和稳定性直接关系到机械设备的运行安全。齿轮在高转速工况下,由于振动和啮合原因很容易产生空化现象。当齿轮出现齿面损伤时,较强的振动会使空化更加剧烈,空化气泡溃灭产生的射流冲击齿面,造成巨大的安全隐患。但是,目前关于含齿面损伤齿轮的振动空化机理以及空化射流冲击对齿面的影响问题,尚未有系统的研究。本文以圆柱直齿轮为研究对象,提出了含齿面损伤的齿轮啮合空化两相流模型和接触空化等效模型,分别讨论了啮合区域和接触区域中影响空化行为的主要因素,探究振动和空化之间的内在联系,同时基于空化产生的射流冲击,分析了齿面应力位移特征及齿面损伤高风险区域。 本文首先利用有限元软件,建立了含齿面损伤齿轮的三维仿真模型,获取了齿轮啮合过程动态特性,并将其作为动网格边界条件求解齿轮空化两相流模型,获得啮合区域流场压力、速度及空化蒸汽分布等特征。结果表明:(1)啮合区域空化会随着转速上升而更严重,并且在高转速下,含齿面损伤的齿轮和正常齿轮之间的空化的差距要比低转速下更大。(2)不同齿面损伤程度也会对空化气相产生影响。点蚀深度的加深并不会持续增强空化,当点蚀深度从0.075 mm增加到0.1 mm时空化确实有增强,但当点蚀深度达到0.3 mm时,齿轮啮合区域及齿轮边上空化程度反而降低。在齿面裂纹损伤方面,随着裂纹的加深,空化强度会不断增加,但是增强的速率并不是一直增加,会出现先升后降的趋势。 其次,通过齿轮接触空化等效模型探究接触区域振动空化机理。研究发现:(1)空化强度受转速的影响最明显,负载转矩对空化的影响主要体现在空化曲线的振荡幅度上。(2)在轻载下,齿轮振动拍击会造成较大振动,导致空化波动较大。在高载荷下振动也较强,空化波动同样很严重,因此可能存在一个最佳的负载扭矩,使空化波动处于最佳范围。 最后,通过微元段加载水锤压力的方式,模拟空化气泡溃灭产生的射流对齿面造成的冲击。研究表明:(1)射流会在接触点靠近啮出侧造成较大的局部应力和位移,在高转速下应力及位移的波动更剧烈,低转速下基本不存在波动。(2)50 N·m轻载造成的应力和位移在接触前段较小,在接触后段较大,与齿轮轻载振动拍击有关,600 N·m重载下,接触边上应力和位移的数值及波动都最大。 本文针对含齿面损伤齿轮振动空化机理问题,研究了动力学耦合下的空化演变规律,探究了空化射流冲击对齿面的影响,为有效抑制空化破坏,提高齿轮传动装置极端工况下的工作稳定性和可靠性,提供了重要的科学参考意义和工程应用价值。

关键词： 卷积神经网络   齿轮故障诊断   灰狼算法   长短期记忆神经网络   支持向量机  

摘要： 齿轮可用于传递运动与动力,在船舶机械设备的变速与换向中发挥关键作用。齿轮的工况直接关系到船舶机械设备的可靠性和稳定性,其故障诊断是确保机械设备无故障运行的关键技术。智能故障诊断算法具有高精度、高效率和鲁棒性等特点,为解决齿轮故障诊断中的关键问题提供了可能,因此也成为本论文研究的主要内容。为了提高齿轮故障诊断准确率,本文采用了仿真方法补充故障数据,补充数据和实验数据相结合形成融合数据,基于智能算法对融合后的特征数据进行故障特征的挖掘和故障诊断。具体内容如下: 对齿轮故障类型及诊断机理进行分析后,基于千鹏诊断公司公开的齿轮数据建立齿轮模型,将三维模型导入ANSYS中Transient Structural模块中,对齿轮传动过程进行仿真分析。并提取齿轮在不同转速、力矩下的速度与加速度数据,将其与理论和实验状态下对比,证明仿真方法的有效性。 将仿真得到的速度、加速度的数据和实验数据相结合形成融合数据。分别采用浅层学习与深度学习进行齿轮故障诊断,浅层学习采用决策树算法、支持向量机算法、全连接神经网络,深度学习采用卷积神经网络。基于MATLAB编写故障诊断程序,开展仿真实验。实验结果表明,支持向量机在诊断准确率有优势,而卷积神经网络在参数共享等方面有优势,故本文将卷积神经网络作为进一步优化的对象。 利用Matlab软件编写3种不同优化机理的故障诊断程序。采用实测数据进行故障诊断对比结果如下:基于支持向量机改进的卷积神经网络相比传统卷积神经网络的诊断结果的准确率为96.20%;基于长短期记忆网络改进的卷积神经网络准确率为89.04%;基于灰狼算法改进的卷积神经网络诊断的准确率达到95.22%。采用支持向量机改进的卷积神经网络处理融合数据,其齿轮故障诊断准确率进一步提升为99.29%。

关键词： 滑动轴承   铜合金   低速重载   摩擦磨损特性  

摘要： 滑动轴承在风电齿轮箱中的潜在应用得到广泛研究。作为风电齿轮箱传动系统关键基础件,滑动轴承在运行过程中起到了支撑和承载的作用,但受服役环境和低速重载等复杂工况的影响,普遍存在着表面擦伤、材料剥落、塑性变形等磨损问题。随着风电装备朝着大功率发展,滑动轴承的摩擦磨损问题日益凸显。可见,探究服役环境下,滑动轴承材料的摩擦磨损特性对于降低风机故障率和提高运行可靠性具有重要意义。 本文采用标准摩擦学实验,开展了油润滑条件下,不同工况参数对铜合金滑动轴承材料的摩擦磨损影响实验研究,并利用扫描电镜、超景深显微镜、三维形貌仪等测试手段,分析了铜合金材料的磨损机制及其演变规律。主要研究结论如下: (1)在室温下,随着载荷增大和线速度减小,摩擦系数和磨损率不断增大。随着载荷和线速度的增大,磨损体积和磨痕轮廓参数不断增大。随着载荷的增大,主要磨损机理由轻微的磨粒磨损转变为塑性变形磨损和磨粒磨损;随线速度增大,主要磨损机理由轻微的塑性变形磨损和磨粒磨损转变为严重的塑性变形磨损和轻微的剥层磨损。此外,还探究了不同配副参数对摩擦磨损特性的影响。发现:配副直径对磨损特性影响最显著,配副粗糙度次之,配副材料对磨损特性影响最弱。 (2)在服役温度下,随着载荷和配副粗糙度的增大,摩擦系数、磨损量是不断增大的;随着线速度的增大,摩擦系数呈不断增大的趋势。而磨损体积的变化规律略有不同,随着线速度增大,在室温下呈递减的趋势,在高温下呈不断增大的趋势。同时,随着温度增大,磨损参数均是增大;在室温下,磨粒磨损为主要的磨损机制,而在高温下,磨损机制以剥层磨损为主,并伴有其他磨损机制,这主要归因于不同工况和温度的耦合作用,使得材料软化,产生了不同程度的塑性变形。 (3)探究了Cu Sn12Ni2材料在不同测试时间下磨损参数的演变规律。研究表明:在前30分钟,磨损参数摩擦系数、磨损量以及磨痕轮廓参数均有较大的变化,属于磨合阶段,30分钟后,磨损状况得到缓和,摩擦系数和表面粗糙度趋于平稳,磨损量增长速率变缓,进入稳定磨损阶段;随着测试时间推移,室温下,主要磨损机制从轻微的磨粒磨损转变为磨粒磨损和塑性变形磨损。90℃下,主要磨损机制从严重的塑性变形磨损转变为严重的剥层磨损、磨粒磨损和粘着磨损。

摘要： 齿轮箱是风电机组的核心机械部件,齿轮箱内各零部件的正常运行对机组的可靠运行至关重要。齿轮箱内部除了齿轮、轴承等运动副外,还有内外花键副、花键端盖、轴承外圈与箱体等微动副。这些微动副在设计制造时往往容易被忽视,若制造工艺不当,其常常会发生微动磨损,甚至剧烈的异常磨损,从而导致齿轮箱功能提前失效。因此,需要高度重视上述微动副的设计及工艺制造过程。

关键词： 改进EWT   深度卷积神经网络   双向长短时记忆神经网络   深度残差网络   变分自编码器  

摘要： 齿轮箱齿轮是机械设备的关键部件,齿轮的状态监测对机组的安全运行具有重要的现实意义。当齿轮处于不同的状态运行时,所产生的振动信号也会不同。本文以齿轮箱中的齿轮作为研究对象,对齿轮振动信号进行预处理、建立齿轮故障诊断模型并对齿轮的运行状态进行预测,主要内容如下: (1)提出使用改进的经验小波变换(Empirical Wavelet Transform,EWT)结合小波阈值(Wavelet Threshold,WT)方法对齿轮振动信号进行预处理。由于通过传感器采集到的非线性、非平稳的齿轮振动信号中含有大量噪声,所以需要首先对其进行去噪。本文改进了经验小波变换的频谱分割方式,使其具有更好的自适应性和更高的精准度,并且结合了小波阈值方法,使噪声有效去除。在对仿真信号进行去噪后,改进EWT-小波阈值方法获得了13.8的信噪比和1.91e-07的均方根误差,相比于其他方法具有最好的去噪效果。在对真实的齿轮振动信号的处理中,同样去除了真实信号中的大部分高频噪声,获得了优异的效果。 (2)将深度卷积神经网络(Deep Convolutional Neural Networks,DCNN)与双向长短时记忆神经网络(Bi-directional Long Short Term Memory,BiLSTM)结合,构建齿轮故障诊断模型。系统的分析了这两种神经网络结合后的优点,并且分析了激活函数、学习率、优化器、Dropout策略以及网络结构等对模型诊断精度的影响,设置实验获得了最优的模型超参数和结构。为了进一步提高网络性能,引入了CNN的另一变体——深度残差网络(Residual Network,ResNet),并且对比了其他识别方法,发现ResNet模型具有较好的网络性能,对齿轮故障类型的识别最准确。 (3)建立了VAE-ResNet齿轮故障预测模型。在实际工况中,齿轮故障状态不会长时间运行,采集到的齿轮故障数据十分稀少,而神经网络的训练需要大量样本。本文提出使用变分自编码器(Variational Auto Encoder,VAE)对故障数据进行增强,将实验中6种类型的齿轮故障数据进行裁切后使用VAE进行数据扩充,达到故障数据和健康数据的平衡。进行数据增强后训练ResNet模型,对模型进行测试,发现VAE-ResNet模型对于故障类型的综合识别准确率相比于没有数据增强的模型更高,模型的泛化性和鲁棒性更强,由对故障数据的扩充可以实现对齿轮运行状态的预测。