关键词： 纯电动汽车   两挡变速器   传递误差   齿轮修形   振动特性  

摘要： 纯电动汽车以其低能耗、低污染等优势,成为新能源汽车领域的重点研究对象。目前,全球主流电动汽车多数搭载单级减速器,而多挡变速器更能发挥车辆动力性和经济性潜力。电动汽车变速器由于缺少发动机噪声的掩蔽效应,使得齿轮啮合激励、电机电磁激励等引起的系统动态响应区别于传统燃油汽车,导致电动汽车变速器出现一系列新的NVH问题,面临更为严峻的挑战。 本文以自主研发的一款纯电动汽车两挡干式双离合自动变速器(Two-Speed Dry Dual Clutch Automatic Transmission,2DCT)为研究对象,通过研究其振动特性,确定壳体振动敏感部位,对变速器进行减振降噪,主要研究内容如下: (1)首先对电动汽车变速器的振动噪声产生机理及其控制方法进行阐述,然后逐一分析了变速器齿轮传动系统的振动噪声激励源。分析计算2DCT中三个啮合齿轮副的传递误差,并研究传递误差在变速器不同工况下的变化规律。 (2)开展变速器壳体自由模态试验,对比模态试验与仿真结果以验证壳体模型精度。通过研究壳体约束模态和模态参与因子确定壳体振动敏感部位,并对该部位进行振动响应测试,发现变速器的挡位齿轮啮合频率及其倍频附近存在明显振动峰值。完成2DCT刚柔耦合模型的搭建以及齿轮啮合错位贡献量分析,并基于该模型求解轴承座处的动态激励,将其作为输入条件分析变速器振动响应,通过对比振动响应结果验证2DCT模型的准确性。 (3)基于建立的2DCT刚柔耦合模型对齿轮修形进行研究。分析四种修形参数、两种修形方式对齿轮传递误差和齿面单位长度载荷的影响,结果表明,齿向鼓形量对传递误差的影响最为明显,双齿对称修形方式较优。基于正交优化法,提出一种在不同工况下均有较小传递误差和较好齿面载荷分布的修形方案。根据该方案对齿轮进行试制、优选以及装配,最后通过齿轮接触试验验证了修形后的齿面载荷优化效果。 (4)针对壳体的振动敏感部位,提出优化方案,完成壳体重制,通过对比优化前后的壳体模态和振动响应结果,发现壳体优化方案对一挡工况时的变速器减振效果较好。利用半消声室搭建变速器振动噪声试验台,对综合优化前后的2DCT进行多工况的振动噪声测试,试验表明,综合优化后的变速器振动噪声特性均得到明显改善。

关键词： 余热回收   齿轮耦合   弯扭耦合   转子特性  

摘要： 余热回收是提高能源利用率的关键环节。本文通过建立六轴齿轮转子系统的有限元模型，开展动力学特性研究。仿真结果表明：在考虑耦合因素（弯扭、齿轮啮合耦合）后，临界转速的频率除了单转子的振动模态外，还增加了局部转子弯扭耦合模态，以及派生的多个转子弯扭耦合模态。同时，研究了不同啮合刚度对临界转速的影响，发现随着接触刚度增加，弯扭耦合频率先增加后趋于平缓，而单弯曲、扭转频率和接触刚度无关，只与转子结构、材料等相关。本文还研究了不同升速率下，烟气涡轮“并车”对多转子系统的影响，明确了烟气涡轮“并车”升速率的要求，为产品运行奠定基础。

关键词： 斜齿轮   时变啮合刚度   改进经验小波变换   支持向量机   故障诊断  

摘要： 斜齿轮传动以其传动平稳、噪声低、承载能力强等特点在矿山、冶金、风电、汽车、起重输运等机械传动设备中得到了广泛的应用。但制造工艺的限制,其齿轮精度比直齿小,并且在低速重载工况下,容易出现齿面磨损、疲劳断裂等现象,影响齿轮传动系统的使用寿命。相较于直齿轮,斜齿轮早期齿面局部故障所引起的振动冲击能量更低,冲击现象微弱,故障特征难以发现;此外,早期的斜齿轮故障多始于单一齿面或少数齿面,仅在啮合部位出现较小的振动,因此很容易被正常轮齿啮合的振动和周围转动零件(如轴、轴承等)振动产生的噪声掩盖,加剧了故障诊断的难度。本文以单级斜齿轮减速箱为研究对象,在斜齿轮的振动机理及不同工况下啮合刚度变化研究的基础上,提出了一种基于改进经验小波变换(Improved Empirical Wavelet Transform,IEWT)-自回归能量特征集的支持向量机斜齿轮故障诊断方法。具体研究内容如下: (1)研究了斜齿轮啮合刚度的时变特性。构建了斜齿轮动力学模型,采用“切片法”求解了斜齿轮副的时变啮合刚度,得到了正常工况下斜齿轮时变啮合刚度的计算模型,分析了斜齿轮与直齿轮啮合刚度的差异。在此计算模型的基础上,进一步得到了主动轮分别存在断齿故障、局部断齿故障、裂纹故障和磨损故障的时变啮合刚度的计算模型,通过Matlab软件仿真计算和对比分析了各种故障类型下的斜齿轮时变啮合刚度,并解析了时变啮合刚度对于斜齿轮振动信号的影响。 (2)引入了一种基于改进经验小波变换的斜齿轮振动故障特征提取方法。传统的经验模态分解(Empirical Mode Decomposition,EMD)和经验小波变换(Empirical Wavelet Transform,EWT)存在模态混叠、理论支持薄弱、过包络、频带划分不合理等问题,应用于斜齿轮振动故障特征提取时,因其故障信号冲击微弱、特征不明显,提取效果不佳。为此引入了一种采用频谱趋势改进经验小波变换的斜齿轮故障特征提取方法。通过仿真分析与实验验证,EMD和EWT方法的分析对比,验证了改进EWT算法在低速斜齿轮振动故障特征提取中的有效性和优越性,并为斜齿轮故障模式识别打下基础。 (3)构建了基于改进EWT-自回归能量特征集的SVM斜齿轮故障诊断模型。通过对斜齿轮振动信号的改进EWT分解,并将分解后的固有模态函数自回归预测,求得能量特征向量,最后运用支持向量机进行训练和测试诊断识别。实验表明该模型的故障诊断准确率高达97.14%,具有良好的故障诊断效果,验证了该故障诊断模型的有效性;另外与以EWT能量特征集的SVM和以时域信号参量为特征集的SVM的故障诊断模型进行了对比分析,结果进一步验证了本方法的优越性。图73幅,表11个,参考文献72篇。

关键词： 齿轮   故障诊断   概率神经网络   一维卷积神经网络   长短时记忆神经网络  

摘要： 齿轮作为旋转机械的重要组成部件,应用广泛,其健康与否直接影响旋转机械能否正常运行。因此,对其故障诊断方法进行研究具有重要的工程应用价值。本文以齿轮为研究对象,采用机器学习理论对基于三维振动信号的齿轮故障诊断方法进行了研究。论文主要研究内容如下: (1)提出了基于KPCA(Kernel Principal Component Analysis,KPCA)的齿轮三维振动信号特征提取方法。针对齿轮的多种时域和频域特征参数,采用KPCA进行齿轮多域特征融合方法研究,提取出能够反映齿轮不同状态类型的主元信息,降低特征的维数同时减少冗余信息的干扰,为后续齿轮故障诊断方法的研究提供数据基础。 (2)提出了基于KPCA-WOA-PNN的齿轮故障诊断方法。采用概率神经网络(Probabilistic Neural Network,PNN)对齿轮进行了故障诊断方法研究。针对PNN的平滑因子σ由人工经验选取导致诊断率低的问题,选用鲸鱼优化算法(Whale Optimization Algorithm,WOA)对PNN的平滑因子σ进行寻优,创建了KPCA-WOA-PNN故障诊断模型。结果表明,基于KPCA-WOA-PNN的故障诊断方法对齿轮三种不同状态类型的平均诊断准确率为94.33%。分别利用另外两种工况下的测试样本数据对KPCA-WOA-PNN故障诊断模型进行测试,结果表明,KPCA-WOA-PNN方法在齿轮三维振动信号故障诊断领域具有一定的适应度。 (3)提出了基于KPCA-WOA-1DCNN的齿轮故障诊断方法。采用一维卷积神经网络(One-dimensional Convolutional Neural Network,1DCNN)对齿轮进行了故障诊断方法研究。为解决1DCNN网络中卷积核的尺寸大小和数目选取不合适导致诊断效果不佳的问题,选用WOA对其进行了优化,创建了KPCA-WOA-1DCNN故障诊断模型。结果表明,基于KPCA-WOA-1DCNN的故障诊断方法对齿轮三种不同状态类型的平均诊断准确率为96.00%,优于KPCA-WOA-PNN故障诊断方法。分别利用另外两种工况下的测试样本数据对KPCA-WOA-1DCNN故障诊断模型进行测试,结果表明,KPCA-WOA-1DCNN方法在齿轮三维振动信号故障诊断领域具有一定的适应度。 (4)提出了基于KPCA-WOA-LSTM的齿轮故障诊断方法。采用长短时记忆(Long Short-Term Memory,LSTM)神经网络对齿轮进行了故障诊断方法研究。为有效应对LSTM网络中隐含层神经元数目和学习率两个参数人工经验取值导致最终诊断效果不理想的问题,选用WOA对其进行了优化,创建了KPCA-WOA-LSTM故障诊断模型。结果表明,基于KPCA-WOA-LSTM的故障诊断方法对齿轮三种不同状态类型的平均诊断准确率为98.67%,优于上述两种故障诊断方法。分别利用另外两种工况下的测试样本数据对KPCA-WOA-LSTM故障诊断模型进行测试,结果表明,KPCA-WOA-LSTM方法在齿轮三维振动信号故障诊断领域具有一定的适应度。

关键词： 齿轮   声发射   经验模态分解   BP神经网络   优化算法  

摘要： 旋转机械是最常用的机械设备之一,其平稳安全的运行逐渐成为相关研究人员关注重点。齿轮箱作为旋转机械中重要的传动组件,其结构复杂、所处环境恶劣、常高负载运行,易出现故障。为避免重大事故的发生,需要对早期故障进行诊断,声发射技术作为一种新型无损检测方法常应用于故障诊断领域,对故障较为敏感且可以实时监测。在机械故障诊断的过程中,机械运转以及周围噪声会对声发射信号造成干扰,使特征提取不准确,且准确性严重影响后续故障诊断的结果。如何提取准确的特征值成为要解决的关键问题之一。本文以齿轮箱为研究对象,对齿轮磨损故障进行了研究,通过QPZZ-Ⅱ型故障模拟实验平台采集了齿轮三种状态下的声发射信号,并探讨了声发射信号的特征提取问题和故障识别分类问题:(1)针对声发射信号非平稳性的特点,本文提出应用自适应方法处理声发射信号,为解决传统EMD分解存在的模态混叠现象,采用TVF-EMD算法解决这一问题。为验证算法的可行性,模拟了齿轮磨损故障信号,并叠加高斯噪声,分别应用EMD、EEMD、TVF-EMD对信号进行分解,通过对比观察时域和频域的特性,证明了本文所用算法既解决了模态混叠问题又保留了EMD的时变特性。为解决算法过分解问题,通过计算各个分量的相关系数,进行进一步筛选,通过计算8个特征值构成特征矩阵,以此来描述信号特征,并对试验数据分解验证了本文算法的可行性。(2)针对齿轮故障的识别分类问题,本文设计了一种基于Levy-SSA-BP神经网络的分类算法。为解决BP神经网络中权值和阈值的选取问题,提出应用麻雀搜索算法对其进行优化。为改善SSA算法易陷入局部最优的情况,提出应用Levy飞行改进SSA中种群的寻优方式,并应用两个测试函数验证Levy-SSA算法具有跳出局部最优的能力。最后对比BP、SSA-BP、Levy-SSA-BP神经网络分类的准确率,本文所提算法准确率高达97.62%,与传统BP神经网络相比提高了3.81%。此外,本文算法对早期磨损故障识别更为灵敏,为齿轮早期故障的识别分类问题提供了解决思路。

关键词： 微电机   磁场驱动   微细电解加工   机器视觉   微装配   微测量  

摘要： 作为微机电系统的驱动元件,微电机一直是微机电系统的关键技术与热点研究领域,微电机的发展反映了一个国家微机电系统的研究水平。由于电磁驱动式微电机具有驱动功率大和生物相容性好等特点,在药物靶向治疗和微型机器人关节驱动上有着广泛的应用前景。本文提出一种80μm尺寸级别,采用电磁驱动的微齿轮电机系统,研究了该系统的加工装配工艺,并提出一种基于视觉的微电机转速测量方法,主要研究内容如下:针对提出的电磁驱动式微齿轮电机系统,利用毕奥-萨尔定理建立了单匝电磁线圈的磁场分布模型,推导了多匝电磁线圈的磁场分布理论模型;并根据理论模型对外驱电磁线圈进行了优化设计。应用电机学理论建立了微齿轮电机系统输出转矩的数学模型。并利用COMSOL软件对微电机系统的磁场驱动模型进行了有限元仿真,验证了推导的理论模型正确性。对该微电机系统的零件进行了加工工艺探索,采用基于二次微分电路的微细电解加工方法,建立了微细电解加工系统的数学模型;利用该模型并结合多目标粒子群算法进行了工艺参数的优化。并对优化前后的实验参数进行了对比加工实验,结果表明:优化后的加工参数提高了微细电解加工的精度。同时为了减小电极杂质沉积现象对加工精度的影响,对加工路径进行优化,成功加工出高精度的微齿轮电机系统零件。对加工出的微零件进行了装配工艺实验,通过电磁探针、压电微动平台和光学显微镜等仪器成功装配出微齿轮电机系统,验证了该系统实现装配的可能性。同时提出了一种基于机器视觉的微齿轮转子测速方法,分析了微电机图像处理中的滤波、二值化、形态学计算和边缘提取等计算操作,并进行了转速测量实验与误差分析,根据误差分析结果修正了测速装置的系统误差。结果表明:机器视觉测量方法平均相对误差约1.62%,表明该方法对齿轮的转速测量可以达到较高精度。

关键词： 风机齿轮箱   故障诊断   特征提取   迁移学习   非理想数据  

摘要： 随着环境的恶化和化石能源的短缺，安全可靠的清洁能源越来越受到关注。风力发电是一种清洁且储量充裕的新能源，近年来得到了广泛应用。经过十几年的发展，我国风电机组装机量已居世界第一。齿轮箱是风电机组的核心部件之一，由于受运行条件、运行时间等因素的影响，其往往具有较高的故障率，极易造成经济损失与人员伤亡。因此，开展风机齿轮箱状态检测和故障诊断技术研究，对实际工程具有重要的应用价值和潜在的经济效益，为风电场的运行管理、维保计划等提供重要的参考。　　目前，现有针对风机齿轮箱的故障诊断研究主要在理想数据条件下进行，其未考虑真实场景下风电机组运行过程中所面临的早期故障信号微弱、强噪声干扰、带标签数据稀缺、多工况数据差异大等非理想数据问题，以及工程实际中设备老旧、算力资源有限等硬件问题。这导致传统方法无法有效应对真实场景下的风机齿轮箱故障诊断需求。因此，本研究以风机齿轮箱为对象，研究非理想数据条件下的故障诊断方法，研究内容如下：　　(1)针对恒工况条件下风机齿轮箱故障诊断时，实际工程信号呈现非线性、非平稳、低幅值、低信噪比的非理想数据特点，导致早期故障特征提取困难，诊断准确率较低的问题，提出了一种基于多维特征评价的风机齿轮箱早期故障诊断方法。在早期故障特征提取方面，通过分析故障特性，构造了故障信号多维特征评价指标，即“信息熵—峭度—包络谱峭度”融合指数（SyncreticIndex，SI），并在此基础上提出了一种基于参数自适应设定的变分模态分解算法（AdaptiveVariationalModeDecomposition，AVMD），以对故障信号进行初步分解。进一步，运用改进小波阈值降噪法（ImprovedWaveletThresholdDenoising，IWTD）对分解后的故障信号进行二次降噪。使用上述联合特征提取策略实现了非理想数据条件下风机齿轮箱早期故障特征的有效分离和提取。在故障分类方面，受限于风电场中硬件设备有限的算力资源和早期故障诊断的即时性要求，本方法选用宽度学习系统（BroadLearningSystem，BLS）作为分类算法。然而，标准BLS在建模过程中存在大量冗余节点，将造成网络结构复杂、模型过拟合的现象。本方法对标准BLS进行改进，利用L21范数正则化提出了BLS稀疏化模型，即L21-BLS。L21-BLS剔除了模型中部分无关或低相关性的节点，使得网络结构更紧凑，模型泛化能力更强，算力资源消耗更少。最后，利用真实风机齿轮箱故障数据集，验证了本方法在诊断准确率和效率方面的有效性和优越性。　　(2)针对变工况条件下风机齿轮箱故障诊断时，实际工程信号复杂，导致故障特征提取困难，以及存在带标签数据稀缺、多工况数据非均衡、数据分布差异大等非理想数据特点，而现有诊断模型对不同工况的适配能力不足的问题。提出了一种基于双核域自适应的变工况下风机齿轮箱故障诊断方法。首先，联合AVMD与BLS以深度挖掘不同工况下风机齿轮箱振动信号故障特征，构建高维宽度特征样本集。其次，利用卷积神经网络（ConvolutionalNeuralNetworks，CNN）提取可迁移特征，并设计了双核最大均值差异（MaximumMeanDiscrepancy，MMD）以全面度量不同工况可迁移特征之间的差异，并使用基于平衡分布自适应（BalancedDistributionAdaptation，BDA）的迁移策略减小特征分布差异。最后，利用凯斯西储大学（CaseWesternReserveUniversity，CWRU）滚动轴承故障数据集从诊断准确率、特征可视化等角度验证了本方法的有效性。　　最后，本文对非理想数据条件下风机齿轮箱故障诊断研究工作进行了总结，并对未来研究方向进行了展望。

关键词： 平行轴齿轮系统   图论   关联矩阵   深度优先   智能设计  

摘要： 齿轮传动系统具有传动效率高、精度高、承载能力大及结构简单等特点,被广泛应用于各种机械设备中。由于其构成结构的多样性及其连接方式的多变性,需针对不同的类型进行具体的分析,大大增加了对齿轮传动系统建模和分析的难度。因此,提出一种通用的平行轴齿轮传动系统运动学分析和动力学建模方法,对提高齿轮传动系统分析效率及低振动噪声设计具有重要的指导意义。本文以平行轴齿轮系统为研究对象,基于图论思想,提出了适用于不同构型的平行轴齿轮系统运动学和动力学分析的通用方法,开发了平行轴齿轮系统可视化及动力学分析软件,研究系统的静态和动态特性。本文开展了以下几个方面的研究:(1)基于图论理论,提出了平行轴齿轮系统统一图形符号表示方法,并建立了其关联矩阵数学模型。该图形符号表示方法结合了功能离散法,并应用了分层理论,相对于之前的图论模型,更好地反映了平行轴齿轮系统中轴系内部各构件的连接关系、相对位置和区分度。详细介绍了平行轴齿轮系统传动关联矩阵M的形成过程,将后续的运动学和动力学分析转化成了矩阵运算的形式。(2)基于关联矩阵M,结合平行轴齿轮系统基本运动单元和深度优先传动路径搜索方法,提出了一种较为通用的求解平行轴齿轮系统运动学及动力学建模分析方法。该方法考虑了基本运动单元内各构件的关系及基本运动单元之间的串并联关系,同时考虑到多负载轮系下的齿轮扭矩计算方法,使建立的转速、转矩方程组以及动力学模型适用于多级传动、行星轮系和分支轮系等不同构型的传动系统。(3)完成了平行轴齿轮系统中各传动单元件二维/三维结构模型的构建。基于.net平台的GDI+技术,实现了阶梯轴二维交互式结构模型的构建。基于Anycad三维实体建模技术,通过对各三维模型的结构进行分解,实现了传动单元件阶梯轴、圆柱齿轮和轴承三维结构模型的构建。(4)基于软件功能需求,确定了本软件总体框架和模块组成,实现了建模模块和计算程序的设计。通过在各个模块之间建立输入输出接口,完成了平行轴齿轮系统可视化和仿真计算功能。最后通过软件仿真与试验对比,得出在特定工况下齿轮副动态传递误差加速度均方根的仿真值和试验值相对误差为-5.37%,验证了本软件仿真算法的可靠性。(5)通过本软件对行星轮系和多负载三分支轮系进行计算,分析了静力学特性和动态响应特点。结果表明,对于结构不对称的平行轴齿轮系统,各分支间载荷会分配不均,导致齿轮扭矩、传动误差和啮合刚度等结果有较大差异,符合系统的振动传递规律。论述了图论理论的具体应用,验证了本软件仿真算法的通用性和可行性。

关键词： 挤压机齿轮箱   故障诊断   信号处理   深度学习   Web部署  

摘要： 石化工业是国民经济的支柱产业,随着石化产业持续发展,提升石化装备智能化水平与安全性受到企业高度关注。挤压造粒机是将粉料制备成颗粒的关键设备,但由于长周期重载荷运行,挤压造粒机齿轮箱易出现损伤故障,引起挤压机非计划停车,影响生产效率及人员安全。对挤压机齿轮箱开展状态监测以及故障诊断对降低生产成本,提高生产效率有重要意义。基于振动信号的分析可以有效监测设备的状态,随着诊断技术朝着智能化发展,运用深度学习实现智能故障诊断已经成为了如今的趋势。基于以上背景,本文以挤压机齿轮箱为研究对象以信号处理和深度学习为技术支持,研究了新型的齿轮箱故障诊断方法,并设计实现了挤压机齿轮箱故障诊断平台,对石化装备进行实时状态监测及故障诊断。本文主要研究内容如下: 1.针对挤压机齿轮箱易损部件,分析常见故障的形成机理,提出了基于LMD和改进型CNN轴承故障诊断方法,对振动信号进行局部均值分解得到若干乘积函数分量,选择合适的分量生成重构信号作为改进型深度卷积神经网络的输入,结果表明该方法在噪音环境下有更好的识别效果,解决了在生产环境复杂噪声干扰下挤压机齿轮箱故障诊断准确率低的问题。 2.实际生产中挤压机齿轮箱故障数据难以获取,训练数据少是深度学习故障诊断领域面临的重要问题,针对该问题本文提出了全新的网络框架ADC-CN(Attention dual convolutional-capsule network)来解决小样本训练精度低的问题。ADC-CN框架将注意力机制与胶囊网络结合增强了信息的深度特征提取能力,解决了石化齿轮箱实际工况下故障信号少的问题,实现了小样本条件下故障的有效分类。在轴承和齿轮箱数据集上验证该方法,结果表明ADC-CN具有强大学习能力和稳定性。 3.针对挤压机齿轮箱状态监测与在线故障诊断展开应用研究。搭建挤压机齿轮箱故障诊断平台,将开发的算法应用于实际生产环境中,实现制造自动化,解决挤压机发生故障却未及时发现的重大安全隐患,保证厂区设备的正常运转。搭建了挤压机齿轮箱故障诊断平台在应用先前算法研究的基础上实现了WEB端的Pytorch模型持久化部署,根据需要完成总体架构设计,功能模块设计和系统技术方案设计。通过Vue和Flask等框架实现了系统的登录模块,状态监测模块,故障诊断模块和故障统计模块,并为后续实现机械设备的寿命预测、故障预测等设备预测性维护提供了可行性,实现降本增效的目标。