关键词： 多电机   齿轮传动   转矩均衡   环形耦合控制   偏差耦合控制  

摘要： 多电机系统在工业领域应用十分广泛,而大功率工业场合大多需要传动结构的配合,所以多电机齿轮传动系统是多电机系统领域的重要研究方向。不同于常规的无耦合多电机系统,该系统受齿轮等刚性介质的影响,系统内的电机输出转速被强制同步,当负载恒定时,系统内的电机输出转矩相互耦合。由于电机参数、齿轮型号、啮合齿隙、材料刚度等诸多因素影响,系统在遇到外部干扰信号或是复杂工况引起的负载突变时,输出转矩会出现较大偏差,如果不能及时修正,会造成断轴等重大风险事故。 首先,本文对多电机齿轮传动系统的动力学模型进行分析,得到影响系统转矩输出均衡问题的具体因素。依据动力学系统模型搭建完整的仿真控制模型,对传统PI并行控制方法进行仿真测试,发现系统在受到外界干扰或有突发状况时,转矩同步误差逐渐增大,转矩输出不均衡问题较为严重。本文针对PI并行控制方法的不足,在PI并行控制结构基础上,引入转矩补偿,设计转矩同步控制器。 其次,分别参照转速环形耦合控制结构和转速偏差耦合控制结构,运用局部耦合控制原理和全局耦合控制原理,设计了基于环形耦合的转矩均衡控制和基于偏差耦合的转矩均衡控制两种不同的控制器。利用转矩同步控制器实现各台电机之间信息交互,设定耦合增益系数得到相应的补偿转矩,实现转矩均衡输出。同时,本文推导了整体多电机齿轮传动系统的闭环传递函数,结合赫尔维茨稳定判据对系统稳定性进行分析,对耦合增益系数取值范围进行界定。 然后,本文对提出的两种控制方法进行仿真测试,发现齿轮传动结构会引起系统差速振荡,导致系统输出转矩出现不同程度的波动,并且耦合增益系数的选取会对波动幅度造成较大影响。为了改善输出波形质量,在提出的转矩偏差耦合控制结构基础上,结合问题原因重新定义补偿控制器的结构,对耦合增益系数取值范围进行合理界定,提出一种基于全局增益的转矩偏差耦合控制方法。 最后,在仿真平台对上述三种方法进行对比测试。结果表明,所提出的方法能有效降低系统转矩同步误差,改进后的控制方法也有效改善了输出波形质量。所提出方法能大大提高系统运行的稳定性,降低事故风险。

关键词： 齿轮箱   卷积神经网络   故障诊断   降噪   特征提取   状态识别  

摘要： 齿轮箱作为机械设备的核心部件,其运行状况决定着机械设备的运转状态。齿轮箱发生故障时不仅会带来严重的经济损失,也会对人们的生命安全和设备的平稳正常运行带来巨大隐患。为了使齿轮箱平稳运行,开发适用于齿轮箱故障特征提取与分类的智能故障诊断技术并对其进行健康监测和故障诊断具有重要意义。随着设备检测点数量和采样频率的增加,机械故障诊断领域已进入“大数据”时代。传统的基于信号处理的特征提取+分类器的智能故障诊断方法对专家经验要求高,且存在效率低、准确率低、不能保证通用性等问题。针对该问题,本文鉴于深度学习技术强大的数据表示和分析能力,通过深度学习理论搭建自适应齿轮箱故障诊断模型,围绕齿轮箱在故障诊断领域中的关键问题,即信号降噪、故障特征提取以及故障状态识别等方面展开研究。首先,根据国内外齿轮箱故障诊断现状存在的问题,确定了本文的研究内容。介绍实验所用齿轮箱的结构,归纳总结出齿轮箱常见的故障类型及其形成原因,同时研究了故障率占比最大的齿轮箱零部件齿轮的振动机理,通过实验台采集到实验所用的数据并划分数据集。接着,利用卷积神经网络强大的特征提取性能,搭建一维Inception卷积神经网络(One Dimensional Inception Convolution Neural Network,1D-ICNN),并将该网络模型应用于齿轮箱的故障诊断。实验表明,该模型可以自动完成特征提取以及故障识别,在采集的数据集上训练好后,对齿轮箱的故障识别率可以达到99%以上。然后,针对齿轮箱工作环境恶劣采集的振动信号中含有大量噪声并且常规的降噪方法难以对这种非线性、非平稳信号进行降噪这一问题,本文将完整的自适应噪声集成经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise Analysis,CEEMDAN)、排列熵(Permutation Entropy,PE)和自适应小波阈值降噪方法(Adaptive Wavelet Threshold Noise Reduction,AWTNR)相结合,采用一种基于CEEMDAN-PE-AWTNR的联合降噪方法对振动信号进行降噪。该方法是以排列熵为判定指标,判定各个本征模态函数(Intrinsic Mode Function,IMF)是否需要降噪,判定阈值为0.60。首先将带噪信号进行CEEMDAN分解并求出分解后各本征模态函数的排列熵,然后对排列熵大于0.60的本征模态函数分量进行自适应小波阈值降噪,最后再将信号重组。实验结果表明,该方法降噪后信号的信噪比明显提升,且1D-ICNN可以从降噪后的信号中准确提取出故障特征,实现故障分类。最后,为了改进1D-ICNN模型对振动信号在时间维度上故障特征信息提取能力弱的问题,本文在1D-ICNN模型的基础上增加GRU(Gate Recurrent Unit)通道,形成1D-ICNN-GRU双通道故障诊断模型。GRU网络善于从振动信号序列中挖掘到时间上的信息特征,1D-ICNN善于挖掘空间上的信息特征。该模型结合两者的优势采用并列结构同时提取振动信号在空间与时间上的故障特征,最后将两个通道提取的故障特征融合成一个特征向量并输入到Softmax层进行故障分类。实验结果表明,1D-ICNN-GRU双通道故障诊断模型比1D-ICNN单通道模型的故障识别准确率更高,更适应于齿轮箱的故障检测。

关键词： 电驱动桥   圆柱齿轮   传动误差   动力学分析   齿轮修形  

摘要： 圆柱齿轮作为应用最广泛的汽车传动零件之一,具有传动效率高,承载能力大,工作可靠,结构紧凑等优点。随着科技进步和电动汽车的快速发展,驱动桥圆柱齿轮处于高速重载工况下工作的需求增加,与此同时,市场对齿轮设计和研发技术的要求越来越高,更加关注其振动噪声性能。论文以电驱动桥圆柱斜齿轮副为研究对象,基于有限元接触分析获取考虑啮合错位量影响下的传动误差曲线;通过建立圆柱齿轮空间梁单元动力学模型;对圆柱齿轮系统的振动特性和动力学响应进行了研究;为弥补系统变形带来的啮合错位量,降低传动误差激励下的振动噪声,研究了修形对齿轮系统动态性能的影响。论文主要工作如下:传动误差为齿轮动力学系统的主要激励源,基于有限元软件ABAQUS,考虑轴承和轴系受载变形引起的啮合错位量,对电驱动桥圆柱斜齿轮副进行接触分析,从而获取静态传动误差。对比是否考虑错位量影响这两种情形下的传动误差曲线,发现啮合错位量会增大传动误差峰峰值。建立圆柱齿轮系统空间梁单元动力学模型,由模态分析计算得到固有频率;基于模态叠加法计算了单位谐波传动误差激励下齿轮系统的频率响应,研究电驱动桥圆柱齿轮在峰值频率下的动态响应;将静态传动误差展成多阶谐波函数,计算得到系统的时域位移响应。将上述计算结果分别与ANSYS中模态分析、谐响应分析和瞬态动力学仿真结果进行了全面对比。结果表明:本文动力学计算方法准确且高效。基于论文提出的动力学算法,计算多阶谐波传动误差激励下的动态啮合力均方根值,最终得到不同啮合频率下的动态啮合力曲线,比较分析了考虑多阶和单阶谐波传动误差激励对动态啮合力曲线的影响。结果表明,两曲线变化趋势整体一致,考虑多阶谐波成分影响时,会使系统动态啮合力峰值有所增加,动力学性能恶化。对比分析了齿廓修形和齿向修形两种修形方式对静态传动误差和动态啮合力的影响,结果表明:合适的修形参数不仅能够降低传动误差的峰峰值,还使传动误差曲线更平滑。合理修形可以有效降低动态啮合力幅值,从而削弱系统的振动与噪声。

关键词： 车齿工艺   工艺参数   有限元仿真   齿面接触应力   齿根弯曲应力  

摘要： 车齿工艺具有加工精度高的优点,且综合了滚齿工艺效率高和插齿工艺适应齿轮类型广的特点,被广泛应用于齿轮粗加工和半精加工。随着车齿机床及高精度刀具技术的不断突破,车齿工艺已具备齿轮精加工的潜力。将车齿工艺应用于齿轮精加工可以缩短齿轮制造工艺链从而提高加工效率,同时减少齿轮多次装夹引入的装夹误差提高加工精度。然而,由于车齿成形齿面存在进给刀痕,齿轮承载性能尚不明晰,阻碍了车齿工艺精加工的实际应用。鉴于此,本文建立了车齿工艺几何成形过程数学模型,完成车齿工艺成形齿面刀痕几何特征实体建模,并基于有限元仿真分析了车齿加工工艺参数对齿轮齿面接触应力和齿根弯曲应力的影响规律,主要研究内容如下:首先,基于车齿工艺运动学原理,分析齿轮加工过程,得到刀具与工件的运动关系。在车刀几何设计参数基础上,推导获得了端截形渐开线齿廓、斜齿轮产形面和车齿刀前刀面参数方程,求解得到了切削刃空间曲线参数方程与切削刃在空间的运动轨迹曲面,最终建立了车齿成形齿轮的三维简化模型。其次,提出车齿成形齿轮承载性能的有限元仿真方法,建立齿轮承载性能仿真模型,确定齿轮承载过程有限元接触控制方程以及齿轮承载过程负荷与约束条件,并对仿真结果与计算结果进行对比,验证该仿真分析的准确性,为研究车齿成形齿轮承载性能提供支撑。然后,分析了车齿刀进给量和齿向修形系数对齿轮承载性能的影响规律。通过单因素仿真试验分析各工艺参数对齿轮承载性能的影响规律以及其分布和变化特征,并通过两因素三水平正交仿真试验分析车齿刀进给量和齿向修形系数对齿轮承载性能的影响程度。最后,通过响应面试验设计方法设计两因素五水平的仿真试验,以车齿刀进给量和齿向修形系数作为设计因素,齿面接触应力与齿根弯曲应力为响应指标,建立了基于响应面法的多元回归的齿面接触应力以及齿根弯曲应力预测模型,并对预测模型的准确度进行仿真试验验证。

关键词： 抽油机   齿轮齿条机构   点蚀缺陷   疲劳寿命   修形优化  

摘要： 新疆地区油田大多环境恶劣，随着井深和含水量不断增加，采油成本升高，游梁式抽油机受结构限制，已逐渐无法适应长冲程的生产需求，齿轮齿条式抽油机更加可靠和节能。抽油机的齿轮齿条机构是主要负载部件，其使用寿命直接影响抽油机的性能，齿轮齿条运行中长时间承受较大负载，因交变载荷产生疲劳破坏，如齿面点蚀等，随着点蚀的不断扩展会导致过度磨损和断齿失效等。因此，研究抽油机齿轮齿条机构，对提升抽油机的承载能力、啮合平稳性和疲劳寿命等，具有非常重要的工程实用价值。　　针对抽油机齿轮齿面不同工况、多种点蚀形貌、接触应力、疲劳寿命、时变啮合刚度以及齿轮齿条修形优化问题，进行了分析及验证。本文的主要研究内容如下:　　(1)针对抽油机齿轮齿面不同点蚀缺陷接触应力问题。首先，采用参数方程式建立了抽油机齿轮齿条三维建模，以及齿轮齿面不同点蚀形貌缺陷模型;其次，结合赫兹接触理论和静力学分析对数值模型进行了精度验证;最后，分析了多工况下多点蚀形貌对齿面接触应力的影响。经分析得，当齿轮齿条完好时，最大接触应力出现在单齿啮合时，接触应力会随着单双齿交替产生波动。当齿轮齿面出现不同形貌的点蚀时，应力值峰值都会增大，接触应力对负载的变化最为敏感。　　(2)针对抽油机齿轮齿面多种点蚀形貌缺陷及疲劳寿命问题。首先，根据抽油机齿轮接触应力变化曲线，通过离散方式将实际应力转换为对称循环应力;其次，根据齿轮齿条的接触应力和材料的S-N曲线，用雨计流法结合Miner线性累积损伤理论，得到该工况下点蚀缺陷的疲劳损伤，通过整体损伤计算疲劳寿命;最后，对多工况下多点蚀形貌齿轮齿条进行了疲劳寿命分析及验证。　　(3)针对抽油机齿轮齿条疲劳寿命不足的问题。根据材料力学法计算齿轮齿条受载以后的变形量以及刚度，从而确定理论最佳修形量;分析了多种修形方案对齿轮最大接触应力和最小疲劳寿命的影响;经过修形后的齿轮齿条机构的应力和疲劳寿命会呈现不同程度的变化，修形量在理论变形时，疲劳寿命提升最大，当修形量远超过理论修形量时，疲劳寿命会出现降低的情况，与接触状态相关。齿轮修形对于提升齿轮齿条机构疲劳寿命是可行的。

关键词： 齿轮箱故障诊断   深度强化学习   深度Q网络   卷积神经网络   参数迁移学习   时间收缩网络   可解释性  

摘要： 齿轮箱作为机械装备传动系统中的关键动部件,一旦发生故障可能引发巨大的经济损失或人员伤亡,对齿轮箱进行故障诊断是保障机械装备安全可靠运行的必要措施。目前采用故障敏感度高的振动信号进行齿轮箱故障诊断是切实有效的手段。传统的振动信号驱动方法需要人工降噪、特征提取及筛选等过程,通过故障频率或浅层机器学习算法完成故障识别,诊断过程繁琐且缺乏智能性。尤其面对工况的多变性、噪声的干扰以及海量的数据时,手动特征提取越发不切实际,这类方法的准确性和适应性难以满足实际故障诊断需求。近年来,深度学习方法如卷积神经网络,凭借强大的特征表达能力能够从高维的状态中自适应提取判别性特征,在齿轮箱故障诊断中效果显著。然而,传统的深度学习方法不仅缺乏决策能力,在复杂工况下故障诊断的准确性、可解释性和通用性还有待提升。作为新兴的深度学习技术,深度强化学习同时兼备深度学习的感知能力和强化学习的决策能力,具备解决复杂问题的通用智能,为齿轮箱故障诊断提供了一个新思路。为此,本文以齿轮箱振动信号为对象,以类不平衡、变工况以及强噪声等场景下齿轮箱故障诊断为背景,研究了多种深度强化学习网络模型。主要研究工作如下: (1)为了提升故障诊断的准确性和通用性,提出一种基于深度卷积Q-learning强化学习网络的齿轮箱端到端故障诊断方法。基于深度Q-learning强化学习算法(Deep Qlearning network,DQN),借助具有强大特征提取和表示能力的卷积神经网络构建DQN算法的网络结构;通过分类马尔科夫决策过程促使模型自动学习判别性特征和诊断策略,最终实现齿轮箱端到端故障类别的诊断。实验验证了该方法的有效性,为后续复杂工况下的齿轮箱故障诊断提供了研究基础。 (2)针对由多工况和数据分布不均衡导致故障诊断泛化性低的问题,提出一种基于多尺度特征深度注意强化学习网络的齿轮箱不平衡故障诊断方法。基于DQN算法,利用多尺度卷积和通道注意力从振动信号中自适应捕获低层多尺度特征、抑制与故障无关的冗余特征;利用多尺度稀疏结构和残差网络学习深层判别性特征,增强多工况下特征学习的稳定性;通过类偏离度构建环境奖励策略,促使模型在交互学习中自动关注少数类,实现不平衡故障诊断策略的有效学习。实验验证了该方法在齿轮箱不平衡故障诊断中具有较高的准确率和适应性。 (3)针对变工况下故障特征的稳健性差,以及由域差异和样本量少导致的故障诊断准确率低的问题,提出一种基于健康自适应参数迁移深度强化学习网络的齿轮箱变工况故障诊断方法。基于竞争DQN算法,利用多尺度卷积构建一种健康自适应表征层赋予模型低层具有可解释的时间-尺度特征的提取能力;利用空洞卷积构建一种多尺度残差网络在保持模型轻量化时提取丰富的深层特征,准确地实现变转速源域下齿轮箱故障诊断;采用参数迁移策略微调训练的源域模型,实现变工况小样本下的齿轮箱故障诊断。实验验证了该方法提升了齿轮箱变工况故障诊断的准确率。 (4)针对强噪声场景下故障诊断的鲁棒性和可解释性低的问题,提出一种基于深度时间收缩可解释强化学习网络的齿轮箱强噪声故障诊断方法。基于竞争DQN算法,融入带通滤波器知识构建一种可解释的SincNet卷积,增强模型首层输出特征的鲁棒性和可解释性;考虑齿轮箱振动信号的时序相关性,利用多尺度时间卷积捕获丰富的内在时间依赖特征;利用残差学习和自适应软阈值化构建一种多尺度时间收缩网络自适应削弱特征映射中的噪声,提升深层特征的稳健性;最终模型通过与建立的环境模拟交互学习完成齿轮箱故障诊断。实验验证了该方法具有较高的抗噪性、故障诊断的准确性和可解释性。 所提方法有效提升了齿轮箱在端到端特征学习与识别,以及类不平衡、变工况和强噪声场景下故障诊断的准确性和通用性,不仅扩展了深度强化学习算法的应用范围,也为复杂环境下齿轮箱的智能故障诊断提供了新思路。

关键词： 椭圆环面蜗杆传动   啮合理论   啮合性能   加工方法   加工误差分析  

摘要： 开环大速比高精度齿轮传动副在高端装备及精密仪器的分度系统中有重要的应用价值,目前渐开面包络环面蜗杆(TI)传动的接触区域及啮合性能受螺旋角取值的影响较大,其传动过程中存在偏载、不能全齿面参与啮合等问题,不能直接满足高端装备及精密仪器的分度精度需求。 本文针对目前环面蜗杆传动存在的问题,提出一种与渐开线齿轮全齿面共轭啮合的椭圆环面蜗杆(EI蜗杆)齿轮传动新形式,进行EI蜗杆的啮合理论及加工方法的研究。首先建立EI蜗杆的椭圆环面与渐开线圆柱齿轮圆柱面之间的空间位置关系,推导椭圆环面的母线方程,基于齿轮空间啮合原理建立一次包络EI蜗杆的啮合理论;其次通过分析啮合参数对瞬时接触线分布的影响规律,优化瞬时接触线在齿轮齿面上的分布区域,据此实现齿轮全齿面参与啮合;同时分析啮合参数对诱导法曲率、润滑角、相对卷吸速度的影响,对EI蜗杆的边齿齿宽进行优化设计,避免出现齿顶变尖现象;在相同参数的理想状态下,通过对比EI蜗杆与TI蜗杆传动中啮合区域及啮合性能,EI蜗杆传动中齿轮的啮合区域面积是TI蜗杆传动的5.49倍、诱导法曲率和润滑角相近、相对卷吸速度更大;然后建立砂轮磨削EI蜗杆的坐标系,推导出砂轮的轴向截面廓形方程,给出加工EI蜗杆的磨削方法,设计基于滚齿原理加工EI蜗杆齿面的磨削装置,采用NX UG软件进行磨削加工运动仿真,验证了EI蜗杆的磨削加工可行性;最后建立了虑及加工误差的参数化EI蜗杆传动模型,重点分析加工误差对齿面接触线分布、接触参数随啮合参数变化的影响规律。结果表明:垂直方向上交错角误差、中心距方向上误差及z轴方向上误差对EI蜗杆的加工影响较大。 本文提出的EI蜗杆啮合理论及加工方法的研究,可实现齿轮全齿面参与啮合,克服了TI蜗杆传动中的不足,提升了环面蜗杆传动的啮合性能,使得EI蜗杆的共轭齿面间具有贴合程度高、接触强度大、精度保持性好及润滑效果良好的特点。为EI蜗杆传动提供了理论依据,满足机械领域内高性能蜗杆的研制需求。

关键词： 密炼机的伺服电机   齿轮故障诊断   卷积神经网络   长短期记忆网络   全局最大池化  

摘要： 选择性催化还原(Selective Catalytic Reduction,SCR)技术利用脱硝催化剂与工业废气中的氮氧化物进行化学反应,将有害的氮氧化物转化为无害的氮气和水蒸气,降低空气中氮氧化物的浓度,因此被广泛应用于火电企业的工业废气脱硝、柴油车尾气净化等领域。制造SCR脱硝催化剂的混炼工序使用密炼机来完成,伺服电机是密炼机的关键部件之一,主要用于控制密炼机转子的转速和速比,以确保物料的精确混合和加工。伺服电机长时间工作可能会导致其齿轮因长期负载过大发生损坏,从而使伺服电机发生故障,影响生产线正常运行,甚至造成不可逆的严重后果。因此对伺服电机齿轮进行科学有效的故障诊断具有重要意义。传统故障诊断方法有支持向量机、决策树、BP神经网络等,但这些方法的学习深度不足,导致其故障诊断过程复杂、灵活性较差。随着计算机的快速更新,深度学习的发展速度很快,其中卷积神经网络(Convolutional Neural Network,CNN))能从故障数据中提取良好抽象性和泛化性特征,特别适合处理复杂的故障数据。基于此,本文首先提出一种改进的卷积神经网络故障诊断模型,采用多个连续卷积层提取数据特征,并通过池化层对数据进行降维,使用全局最大池化层代替Flatten层,避免数据特征的丢失。最后,通过全连接层的Softmax函数进行分类,该模型在美国康涅狄格大学齿轮故障数据集上的准确率达到98.93%。但是,齿轮故障振动信号是基于时间序列的一维数据,CNN并没有考虑时间序列数据中隐藏的长期依赖关系,这可能会导致数据丢失、异常等问题。因此,对数据的时序特征进行提取很有必要。长短期记忆网络(Long Short-Term Memory,LSTM)是具有长时记忆功能的循环神经网络的改进网络,能够发现数据与时间之间的潜在关系。基于此,本文又提出一种改进的CNN-LSTM齿轮故障诊断模型。在CNN中加入LSTM网络挖掘数据时序特征,并使用Hinge函数作为损失函数。该模型在美国康涅狄格大学齿轮故障数据集上的整体准确率可以达到99.64%,能够满足齿轮故障诊断的准确性和时效性要求。

关键词： GTF星型传动齿轮箱   多体动力学   集中质量法   Westgard评价图  

摘要： 作为下一代航空发动机主要发展方向的齿轮传动涡扇发动机（GTF,Geared Turbo Fan）,由于其使用了星型传动齿轮箱这一装置,使得之前很多无法使用的技术在应用上变为可能。人字齿星型齿轮传动自身具有传动比大、传动平稳等诸多优点,但星型传动齿轮箱工作条件恶劣,不仅功率密度大、散热条件差,同时还受到系统基础运动引发的附加效应,所以激励丰富,动力学特性复杂。因此,开展星型传动齿轮箱动力学特性分析,对改善传动系统可靠性、提高发动机整体稳定性显得尤为重要。本文针对某型GTF航空发动机星型传动齿轮箱,分别基于多体动力学和集中质量法开展建模、动力学特性分析等工作,形成了一种分析GTF齿轮箱系统振动响应的有效方法,对类似问题同样适用,因此具有工程实用价值和指导意义。主要研究内容如下:（1）分别基于多体动力学理论和集中质量法建立星型传动齿轮箱的多刚体动力学模型和集中质量理论动力学模型,在相同工况条件下对两种模型的输入、输出转速及轮齿啮合力响应结果进行对比验证,以保证建模的正确性。（2）将星型传动齿轮箱中各构件柔性化处理并分别基于ADAMS和ANSYS对各构件及组合件进行模态分析。将ADAMS、ANSYS以及模态试验数据进行对比分析,以验证模型建立的正确性。（3）在保证建模正确性的前提下,基于多体动力学理论构建多种刚柔耦合的虚拟样机模型,引入医学检验中常用的Westgard评价图并根据“转速、传动比、啮合力相对误差距离法”对虚拟样机进行筛选[1],确保模型兼顾仿真效率与精度。（4）使用筛选出的虚拟样机模型提取星型传动齿轮箱振动敏感参数。基于提取出的振动敏感参数,分别对多体动力学模型及集中质量模型在健康和考虑安装误差、轴承偏心误差工况条件下轴承处的振动响应进行对比分析。