关键词:
点蚀
齿轮
动力学建模
小波分析
GA-BP神经网络
摘要:
齿轮是机械装备的核心基础部件,其健康状态直接影响机械装备的服役性能和可靠性。齿轮长期工作在复杂、恶劣的环境中,容易发生故障,这会导致机械装备失效,甚至造成人员伤亡。点蚀是齿轮常见的失效形式之一,实现对齿轮点蚀状态的监测具有重要意义。论文以识别齿轮不同程度点蚀为目标,构建了齿轮点蚀状态下的动力学模型,分析了点蚀齿轮的振动特性,并依托改建的齿轮试验台,实现了基于箱体振动信号和主轴角加速度信号的齿轮不同程度点蚀辨识。论文主要研究工作是:1、齿轮点蚀状态下的动力学建模。分析了齿轮的啮合过程和激励特征,建立了齿轮点蚀状态下的动力学模型。首先,结合齿轮的啮合过程,分析得到齿轮传动过程具有周期性,总是单齿啮合和双齿啮合交替出现,齿轮系统最主要的刚度激励也随齿轮啮合呈现周期性变化;其次,采用能量法计算了齿轮正常、点蚀状态下的时变啮合刚度;在此基础上,以时变啮合刚度的变化描述齿轮点蚀状态的变化,建立了齿轮传动系统点蚀状态下的6自由度动力学模型。2、振动信号采集与特征提取。结合前期齿轮试验台的运行情况,对试验台齿轮箱进行了改进设计,实现了箱体振动信号和主轴角加速度信号的同时采集,并进行了特征提取和对比分析。首先,采用零均值归一化和小波软阈值降噪方法,对原始振动信号进行了预处理,减少了干扰信息,并提高了信号的稳定性;其次,对振动信号进行了时域分析和频谱分析,结果显示:主轴角加速度信号对齿轮点蚀程度变化更为敏感,频谱图中无关频率更少,信号特征随点蚀变化更明显;在此基础上,采用小波包5层分解,分别对四种不同点蚀程度齿轮的箱体振动信号和主轴角加速度信号进行了小波包能量比和小波包能量熵特征提取,并通过对比分析确定了4个区分度较大的能量节点作为不同程度点蚀的识别特征向量。3、基于振动信号的齿轮点蚀辨识。结合所提取的基于箱体振动信号和主轴角加速度信号的小波包能量比特征,采用基于遗传优化算法的BP神经网络模型,实现了齿轮不同程度点蚀的分类识别。结果表明:(1)结合小波包能量比,采用基于遗传优化算法的BP神经网络模型,可以实现对齿轮不同程度点蚀的识别;(2)就点蚀而言,基于主轴角加速度信号的检测方法更为灵敏,对齿轮不同点蚀类型的识别率达95%,远高于同工况下基于箱体振动信号的检测方法识别率。因此,本文试验条件下,基于主轴角加速度信号的监测方法对齿轮点蚀状态变化更灵敏。