关键词： 注意力机制   齿轮箱   故障诊断   深度学习  

摘要： 齿轮箱作为关键的传动部件,具有体积小、传动比大的优点,被广泛应用于各类大型机械设备中。由于设备的传动系统长期处于负载、转速变化的工况下,齿轮箱内部各零件极易发生磨损导致故障,不利于设备的安全运行。因此,研究齿轮箱故障诊断方法对保障机械设备正常运转,提升工业安全水平具有重要的现实意义。随着工业采集系统逐渐完善,可以得到大量齿轮箱运转时产生的振动数据,使用基于数据驱动的方法能降低人工成本,实现高精准度的故障诊断。然而,主流的基于数据驱动的深度学习方法要求大量高质量且有标签的真实样本,面临存在噪声干扰、缺少标签样本以及实际待测工况训练数据无标签的挑战。而注意力机制可以有效提升模型故障特征提取能力,因此本文采用结合注意力机制的深度学习方法针对齿轮箱在工业场景下样本质量不理想以及数量受限的问题展开深入研究。具体研究工作内容如下: (1)针对处于变速高载复杂工况下的齿轮箱振动信号夹杂噪声,其非线性、非平稳属性影响模型特征提取的问题,提出使用多尺度卷积提取特征,并构建基于注意力机制的特征融合模块强化网络的故障特征识别能力。首先将原始振动信号输入多尺度卷积神经网络进行特征的多尺度分离,提取局部时域特征和频域特征。再通过特征融合模块对多尺度特征进行高效融合,利用注意力机制捕获其中的故障敏感信息,保持融合后特征不增加维度,降低了后续网络的计算成本。网络中添加批量归一化加快网络训练,稳定收敛,添加自适应池化层进行特征降维,减少模型整体参数量。最后使用齿轮箱数据集进行仿真实验,结果表明所提端到端故障诊断方法即使在噪声干扰下仍有较好的性能,且具有一定的迁移性能。 (2)针对齿轮箱相关设备昂贵,导致有标签故障样本难以获取导致数据不平衡的问题,提出基于模糊距离聚类的半监督动态图注意故障诊断模型。首先经快速傅里叶变换提取数据集原始振动信号的频域特征作为图网络节点集,在最近邻聚类前使用合适的池化函数处理节点,用模糊距离取代欧式距离计算节点间的相似度实现聚类,提升预分类效果。然后构建动态多头图注意网络,解决静态注意力权重分配类似的问题。训练时首先训练有标签节点,同时提取其相邻无标签节点的信息,当一定轮次后采用标签传播算法设置伪标签,扩充有标签节点训练,最终实现少标签样本下的半监督故障诊断。结果表明所提方法能够从无标签样本中提取有效的故障信息,并能通过少量有标签样本联系故障类别与实际信号特征,有效提升了有标签样本数量受限条件下的故障诊断准确率。 (3)针对实际齿轮箱变转速工况下有标签样本采集困难导致故障诊断模型跨域迁移性能受限的问题,提出基于注意嵌入的对比迁移学习跨域故障诊断方法。将对比学习预训练和迁移学习域自适应技术相结合,使用分支动态注意力提升网络的域自适应能力。首先对输入信号作最大最小归一化处理,降低变转速下同类故障信号幅值变化给模型带来的影响,然后利用源域有标签样本和目标域无标签样本作对比学习,旨在提取振动信号的一般属性特征,并为之后的迁移学习训练提供良好的初始化度量空间,最后采用基于最大均值差异的域自适应方法对齐源域与目标域的数据分布,提升模型迁移性能。实验结果表明,基于注意嵌入的对比迁移学习跨域故障诊断模型能在缺少变转速工况有标签样本的条件下,结合稳定工况的有标签样本实现高精度故障诊断。

关键词： 风电齿轮箱   销轴偏差   齿面载荷分布系数   齿轮均载系数   齿轮强度  

摘要： 本文通过Romax软件建立了5.2MW风电齿轮箱仿真模型，主要研究销轴位置度偏差对齿面载荷分布系数、齿轮强度和齿轮均载系数的影响规律。使用蒙特卡洛方法，分析KHβ对销轴位置度偏差的敏感性，对多组销轴位置度超差后的数据进行统计分析，并汇总各公差带内的KHβ结果，来验证行星销轴位置度偏差对KHβ及齿轮性能的影响。最后，考虑设计公差、制造和装配偏差等因素，进行批量DoE分析，获取Kγ值的分布并进行工程决策。通过本文的研究，可以为风电齿轮箱的可靠性和稳定性提升提供科学依据和实际应用价值。

关键词： 双旋翼动力传动系统   差动行星齿轮   混合弹流润滑   啮合效率  

摘要： 差动行星齿轮具有功率密度高、承载能力强等特点,是下一代高功率双旋翼动力传动系统的核心构型之一。但由于系统元件多、轮齿承受动载荷复杂、相对滑动速度大、混合润滑状态等因素制约,齿面摩擦功率损失较为严重,制约该类构型的推广应用,因此开展差动行星齿轮啮合效率计算及影响因素分析,对提升齿轮系统传动效率具有重要的理论意义和工程价值。 本文以差动行星齿轮传动效率为研究对象,通过开展混合弹流润滑下差动行星齿轮摩擦接触分析,构建齿轮系统动力学-摩擦学耦合迭代模型,揭示耦合作用下的动态接触特性变化机制,进而对齿轮系统啮合效率进行计算得到影响规律。论文主要研究内容如下: (1)根据差动行星齿轮几何参数进行接触分析和运动学分析,计算啮合副的时变接触线长度以及齿面综合曲率半径、卷吸速度、相对滑动速度和滑滚比;基于最小弹性势能原理确定稳态工况的载荷分配规律,并采用弹流润滑理论建立混合弹流润滑状态下的动态摩擦系数计算公式。 (2)综合考虑混合润滑作用下的摩擦激励、时变啮合刚度、油膜阻尼和动态传递误差等因素,采用集中参数法建立差动行星齿轮动力学-摩擦学耦合迭代模型,开发出迭代耦合模型求解算法,对耦合作用下的差动行星齿轮动态特性、摩擦系数和润滑特性进行分析,结果表明:齿面摩擦和润滑作用会使振动位移和动态啮合力幅值出现明显增大,外啮合副的动态啮合力波动尤为显著;内啮合副摩擦系数高于外啮合副,耦合动态载荷下的内外啮合副摩擦系数数值均出现明显波动,且外啮合副摩擦系数波动较大,内外啮合副摩擦系数在节点处最小;动态载荷会使油膜厚度和油膜压力数值出现明显波动,且外啮合副的波动更为剧烈,润滑性能变差。 (3)推导出动力学-摩擦学耦合下的差动行星齿轮动态啮合效率计算方法,与传统效率公式对比验证了本文所提方法的一致性与合理性;通过对不同表面粗糙度和输入转速下动态啮合效率的影响规律研究,得出齿轮动态啮合效率随着表面粗糙度的升高而降低;在特定转速范围内,随着转速的增加,动态啮合效率也同时增加,且外啮合副的动态啮合效率波动更为明显,与摩擦系数的规律一致。

关键词： 风力发电机   自适应阈值降噪   故障检测   性能退化评估   寿命预测  

摘要： 在风机传动系统中,齿轮箱起着关键的机械角色,由于风机齿轮箱常处于高速、重负载和剧烈冲击等恶略环境下运行,因此齿轮箱发生故障的频率较高。为了提高风力机组的发电效率、降低运维成本,研究风力发电机组齿轮箱故障检测和剩余寿命预测方法具有重要意义。基于以上研究背景,本文的主要工作如下: 针对风力发电机组齿轮箱局部磨损故障信息通常会被强背景噪声所掩盖使得早期微弱故障特征难以识别的问题,提出了一种基于自适应阈值降噪和1.5维谱分析的齿轮箱早期故障检测方法。首先,将风电齿轮箱局部磨损故障信号通过互补集合经验模态分解(CEEMD)得到局部磨损故障信号的本征模态函数(IMFs);然后,通过建立峭度-相关系数准则,选取出富含故障信号的IMF分量。建立了自适应阈值函数以对选择到的IMF分量进行降噪处理;最后,引入1.5维谱对重构信号进行分析,实现风力发电机组齿轮箱局部磨损故障检测。通过仿真数据和风场数据验证了本文方法的可行性。 为准确描述风力发电机组齿轮箱性能退化趋势和预测剩余寿命,提出了一种基于图拉普拉斯算子范数结合LSTM模型的预测方法。首先,用风力发电机组齿轮箱的振动信号构造路图,并获得路图信号。然后,利用图拉普拉斯算子范数能够体现数据内部的结构特点且具有计算简洁和特征单一等优点,将其运用到风力发电机组齿轮箱的退化指标提取中,最后,结合长短时记忆网络(LSTM)实现风力发电机组齿轮箱寿命预测。本文提出的路图拉普拉斯算子范数作退化特征和传统的峰峰值、峭度、波形因子等作为特征值组成特征向量进行了比较,验证了所提方法的可行性。

关键词： 三级变速齿轮箱   低噪声   结构优化设计  

摘要： 现有三级变速齿轮箱低噪声结构优化设计由于不合理的设计参数，齿轮啮合过程中的振动和冲击，进而产生的噪声较大。本文提出了一种新的三级变速齿轮箱低噪声结构优化设计方法。首先，确定设计变量；其次，建立约束条件，构建三级变速齿轮箱低噪声结构优化目标函数；最后，对三级变速齿轮箱低噪声结构优化目标函数进行求解，从而实现三级变速齿轮箱低噪声结构优化设计。设计对比试验，结果表明，该方法在提高齿轮传动的降噪性能方面具有显著效果，可为相关领域的技术进步和实际生产提供有力支持。

关键词： 风电机组齿轮箱轴承   信号处理   LSTM   故障诊断  

摘要： 在积极推进可再生能源利用的背景下,风能作为一种绿色能源,其行业的快速发展势在必行。齿轮箱轴承作为风力发电机组的重要组成部分,由于其恶劣的工作环境以及持续承受复杂变化的载荷,使得轴承容易发生故障。风力发电机齿轮箱的柔性支撑结构,在运行时可能使齿轮和轴承之间发生微小位置变化,导致故障信号频谱复杂化,振幅在特定频率范围内显著增加且可能增加谐波成分加上强背景噪声的影响,使测得的齿轮箱轴承故障信号往往被噪声淹没难以分离,降低了故障诊断的精度。因此降低信号中噪声干扰增强故障特征信号至关重要。为提高诊断精度和诊断效率,降低维护成本,研究风发电机组齿轮箱轴承故障诊断方法具有重要的实际意义。 针对传统阈值去噪技术在信号处理中遇到的问题:硬阈值法导致的信号振荡和软阈值法引起的信号细节损失,提出了一种改进的阈值函数。该函数旨在平衡去噪效果和信号细节的保留,有效地克服了现有方法的限制。通过实验分析,改进方法表现出更优的去噪性能,在信噪比和均方误差两个关键指标上均实现了显著的性能提升。 为了有效识别受强背景噪声和谐波干扰影响的风力发电机齿轮箱轴承故障特征,本文提出了一种基于改进的自适应噪声完备集合经验模态分解(Intrinsic Mode Function(IMF)-assisted Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,ICEEMDAN)融合多尺度排列熵(Multi-scale Permutation Entropy,MPE)与改进小波阈值联合降噪的方式对原始信号进行处理。通过对原始振动信号执行ICEEMDAN分解,提取多个本征模态分量(Intrinsic Mode Function,IMF)。利用MPE筛选出与噪声相关的IMF分量,并应用改进的小波阈值法进行降噪处理。通过对保留的信息性IMF分量和降噪后信号的综合重构,本方法有效提高了信号处理的精度和效率。通过采集的现场数据验证表明,该方法在保留关键信号特征的同时,显著提升了噪声抑制性能,为进一步的故障诊断与识别提供了强有力的基础。 为应对风力发电机齿轮箱轴承故障诊断中模型性能不足的问题,提出了一种融合Transformer与LSTM的故障诊断方法,并对模型架构进行了介绍与分析,阐明了各模块的原理及其功能。设计多维度的对比实验,深入评估了Transformer-LSTM模型的性能。实验结果显示,该模型在风电齿轮箱轴承故障诊断任务中准确率达到97.27%,在诊断精度与稳定性方面均优于现有方法。

关键词： 风电齿轮箱   幅值调制   频率调制   现象学建模  

摘要： 风电齿轮箱作为机组的关键部件,一旦因故障下塔,将严重影响机组发电量。风电齿轮箱多级传动结构导致振动监测信号存在特殊的调制现象,已有的单级轮系信号模型不能完全描述该现象。本文围绕振动信号在正常状态与故障状态下进行现象学建模,提出不同于单级轮系的级间耦合调制模型,主要工作如下: (1)针对Hilbert包络解调存在载波频率相加减的问题,进行单载波信号和多载波信号仿真研究。分别对单载波多调制和多载波单调制信号进行Hilbert包络解调分析,实验结果表明:对多载波信号包络解调时,会出现载波频率相加减的频率成分;对单载波信号包络解调时,不会出现载波频率相加减的频率成分。本文所提的信号模型均为单载波多调制信号。 (2)通过对实验台振动数据和实际风场振动数据进行分析发现:在正常状态的幅值解调谱和频率解调谱中,在低速轴转频、高速轴转频以及低速轴与高速轴转频相加,减对应的频率周围均存在间隔为一级太阳轮转频的边带;在正常状态下,三级啮合频率周围存在间隔为低速轴和高速轴转频的边带,即一级太阳轮、低速轴、高速轴呈现三级间串联调制;在平行级小齿轮断齿故障的幅值解调谱和频率解调谱中,在低速轴转频和高速轴转频周围存在间隔为低速轴半倍频的边带。 (3)在以上振动信号分析基础上,提出了正常状态下与平行级故障状态下的三级间振动信号幅值-频率耦合调制模型。仿真结果表明:正常状态下,在幅值解调谱和频率解调谱中均存在一级太阳轮转频调制低速轴转频、高速轴转频、高速轴与低速轴转频相加、减对应的频率,呈现幅值串联调制与频率串联调制。在故障状态下,在幅值解调谱和频率解调谱中均存在低速轴半倍频转频调制低速轴转频和高速轴转频,呈现幅值串联调制与频率串联调制。通过仿真信号和实验信号在幅值解调谱和频率解调谱中的级间串联调制现象一致,验证了所提模型的合理性,为提高风电齿轮箱故障诊断准确性提供参考。 (4)提出一种耦合调制特性边带能量指标,用于耦合调制特性模型评价。将实验台正常、故障状态、实际风场正常、故障状态下的低速轴、高速轴转频周围的一级太阳轮边带进行相加取均值构建耦合调制特性边带能量指标。幅值解调谱中耦合调制特性边带能量指标分别为0.52、0.12、0.42、0.46,频率解调谱中耦合调制特性边带能量指标分别为1.02、1.04、1.25、1.18。实验结果表明:频率耦合调制现象在四种状态下尤为明显,且更接近于仿真信号。同时,将三级啮合频率周围的低速轴、高速轴及倍频的能量相加和三级啮合频率的能量作比值,构造边带能量比,实验结果表明:齿轮箱状态和风速可以影响边带能量比的大小,可以有效区分齿轮箱正常状态和故障状态。

关键词： 齿轮   声发射   集合经验模态分解   非洲秃鹫算法   长短时记忆神经网络  

摘要： 旋转机械作为各类机械设备的核心构件,广泛应用于多个领域。在众多零部件中,齿轮占据着主要地位。然而,由于齿轮在繁重工作任务中所处的复杂操作环境,长时间的负载运行容易导致损坏,进而可能使整个机械传动系统瘫痪,甚至对人员安全构成潜在风险。 声发射检测技术作为一种高效的无损检测方法,能够实现对被测对象的动态与实时监控,同时还能准确捕捉到缺陷的相关数据。相较于其他检测技术,尤其是常规的振动信号分析手段,声发射技术的灵敏度更为出众。因此本文以声发射信号对齿轮进行故障诊断实验,通过QPZZ-II型故障模拟实验平台分别采集齿轮三种状态下的声发射信号,并研究了声发射信号的特征提取问题以及齿轮故障诊断分类。 针对齿轮声发射信号非线性、非平稳和易受噪声干扰的特性,本文提出采用集合经验模态分解方法(EEMD)对声发射信号进行处理,EEMD方法可以有效的解决传统经验模态分解(EMD)存在的模态混叠现象。为了验证算法的有效性,首先采用了模拟信号进行对比试验,对EMD与EEMD进行了分解效果对比,确定EEMD方法的优越性。为了解决算法过分解问题,使用IMF分量评估指标和相关性结合来选取IMF分量。 针对齿轮故障诊断的识别方法,本文提出了长短时记忆神经网络(LSTM)的齿轮故障诊断模型,为了解决人工选取LSTM网络超参数的局限性和不确定性,提出应用改进非洲秃鹫算法(IAVOA)来进行选取LSTM网络的超参数,首先引入Piecewise混沌映射策略的非洲秃鹫算法可以有效的解决非洲秃鹫算法陷入局部陷阱,并且可以提高算法的全局搜索能力,然后引入基准测试函数证明IAVOA的优势。本文所采用的EEMD-IAVOA-LSTM网络的齿轮故障诊断模型的准确率达到了98.41%,证明了所提出的模型可以更好的对齿轮进行故障分类。