关键词:
齿轮箱
故障诊断
变分模态分解
卷积神经网络
门控循环单元
信息融合
摘要:
齿轮箱是一种常见的用以传递动力的机械设备,已被广泛应用于农业生产、风力发电等领域,一旦齿轮箱出现故障,将直接影响到工业生产和日常生活,严重的甚至还会造成人身伤亡和经济损失。所以,对齿轮箱及其关键零部件开展故障诊断,及时发现和排除故障对于保证机械设备的健康运行和减少设备维护成本起着关键作用。本文以齿轮箱中的关键部件—齿轮作为研究对象,通过搭建齿轮箱故障实验平台,采集振动信号,利用机器学习和深度学习方法开展对齿轮箱故障的智能诊断研究。论文的主要内容包括以下几个方面:1.首先,对齿轮箱中常见的失效形式及其产生的原因进行简要分析,根据现有实验条件选择合适的实验器材搭建齿轮箱故障实验平台,设置齿轮故障形式,并开展实验,采集后续实验验证和分析所需的振动数据。2.针对齿轮箱振动信号非线性的特点以及存在冗余成分干扰的问题,提出一种自适应变分模态分解(AVMD)与精细复合多尺度散布熵(RCMDE)结合的特征提取方法。首先,利用AVMD分解对获取的振动信号进行去噪,针对VMD在分解时需要人为设置分解层数K的问题,提出一种综合评价指标用于分解层数K值的自适应选取,根据IMF能量熵和相关系数双阈值选取包含主要信息的分量进行重构,完成振动信号的去噪预处理;其次,利用RCMDE提取去噪信号的非线性特征,获得用以表征信号复杂性的多尺度特征;最后,通过由粒子群优化算法(PSO)自动获取核参数和惩罚系数的核极限学习机(KELM)完成对齿轮箱故障的智能诊断,通过实验分析证明了该方法的有效性。3.针对传统机器学习方法需要人为提取特征,且识别结果易受人为因素和专家经验影响的问题,在AVMD分解方法对振动信号去噪的基础上,提出一种AVMD与卷积神经网络(CNN)-门控循环单元(GRU)结合的方法,将去噪后的振动信号直接输入到CNN-GRU模型中,利用CNN挖掘振动信号的空间信息,并使用GRU进一步挖掘时序信息,获得能够表征振动信号空间和时间信息的时空特征,最后通过softmax层完成齿轮箱不同状态的有效识别,经实验验证,10次测试的平均准确率为98.08%,能够有效完成对齿轮箱不同故障形式的识别,并且识别结果较为稳定。4.针对单一传感器采集到的振动信号易受噪声干扰且无法有效表征齿轮箱的运行状态的问题,同时也为获得更加有效和稳定的齿轮箱故障诊断方法,在CNN-GRU模型的基础上,提出一种并行卷积神经网络(PCNN)-GRU融合多传感器信息的故障诊断模型,用于融合多传感器获取的振动信号,获得多传感器深度时空特征,并利用softmax层进行识别,完成齿轮箱“端”对“端”的智能诊断,结果表明,在无需去噪的前提下,10次测试的平均准确率为99.92%,且与其他方法进行对比,具有更高的识别准确率和稳定性,并且损失率更低。