关键词：
齿轮箱
模态增强
移不变稀疏
故障诊断
智能识别
摘要：
齿轮箱是机械设备中动力传递和运动变换的关键部件,在航空航天、风力发电、轨道交通、汽车船舶和工程机械等诸多现代工业领域中得到了广泛的应用。随着机械装备的大型化、集成化和智能化发展趋势,齿轮箱面临着更极端的服役环境与更复杂的功能要求,导致其故障概率增加,严重影响了机械设备运转的可靠性与安全性。在齿轮箱故障发生初期,及时发现反映故障的微弱特征,可以有效减少齿轮箱故障带来的事故风险和经济损失。因此,开展齿轮箱微弱故障特征的提取与识别研究,对提升齿轮箱服役性能、保障机械设备安全运行具有十分重要的理论价值和现实意义。由于机械设备组成结构复杂、传递路径多变以及服役环境恶劣,齿轮传动关键件早期故障诱发的特征极为微弱并被强噪声干扰,多种激励振动与噪声叠加并相互作用,致使采集信号的故障特征不清晰,极易造成设备误诊漏诊,影响运维决策判断。因此,亟需发展微弱故障特征提取与识别方法。本论文针对齿轮传动关键件典型故障信号微弱特征提取与识别问题,考虑到传统去噪技术在信号本征特征挖掘及多尺度解调特征分析的不足,围绕信号故障动力学分析、微弱特征去噪与增强、复杂调制信号诊断及典型故障智能识别等方面开展了研究。论文的主要研究工作包括:(1)针对齿轮箱故障激励机理及演化规律不清的问题,考虑齿轮和滚动轴承的结构特点,结合故障类型、故障程度等影响,建立了齿轮和滚动轴承的齿轮传动关键件动力学模型,分析了其振动产生机理及典型失效形式,阐明了振动响应信号模态的本征结构特点与故障表征能力,揭示了不同服役工况、不同故障类型及故障程度下的振动信号模态特征规律,为本文提出的基于模态感知的特征去噪算法、解调诊断算法与智能识别算法奠定理论基础。(2)针对齿轮箱强噪干扰下的信号微弱特征提取困难的问题,考虑传统稀疏学习在字典构建时对本征模态特征刻画的不足,基于典型故障动力学激励响应的模态规律,研究了信号模态在齿轮箱故障信号本征结构的表征能力,提出了包络流形移不变稀疏方法和时频流形移不变稀疏方法,实现了强噪声干扰下的齿轮箱信号微弱特征增强,扩充了传统稀疏学习在数据模型字典驱动的故障特征表征新形式。(3)针对复杂调制下的齿轮箱信号多模态解耦困难的问题,考虑传统最优分量解调方法忽略了全局特征信息的不足,基于不同尺度下的频域模态对调制信息的表达,通过将变分思想引入稀疏模态感知框架,提出了加权变分模态增强算法和加权时频变分模态增强算法,完成了齿轮箱故障信号多频带调制特征的自适应分割与同步自适应解调,实现了累积解调频谱的齿轮箱典型故障诊断,克服了稀疏模态感知算法在多尺度带内噪声去除的局限,释放了多种不同信号模态在不同调制频带的表达能力。(4)针对齿轮箱样本特征不敏感导致诊断模型识别精度低的问题,考虑到齿轮箱故障生成及演化过程中的时序特征差异化表达,构建输入样本在正常样本下的全频带参照化模态特征分布,设计了具有自学习功能的全频带频率补偿权重,提出了参照化模态感知网络,克服了传统神经网络对于训练样本大、训练时间长的局限,实现了轻量化结构下的高精度齿轮传动关键件故障识别与信号重构,具备了优异的故障特征提取能力与模型解释性,拓展了基于信号处理知识的特征敏感性增强设计方法,为设计开发齿轮箱在线监测与识别系统奠定了基础。(5)基于信号模态感知算法在齿轮箱微弱特征提取与智能识别的研究,面向齿轮箱运维需求,设计并开发了一种齿轮箱在线监测与识别系统,实现了齿轮箱振动信号的采集传输、特征增强、解调诊断及智能识别等功能,验证了所开发系统监测信息采集的有效性,挖掘数据模态特征的实时性与齿轮箱监测状态识别的准确性,支撑了所提信号模态感知算法在微弱特征提取与智能识别的应用。综上所述,本文深入分析和讨论了目前齿轮箱故障诊断所面临的信号微弱特征提取问题,从典型故障的动力学激励响应分析出发,以信号模态作为核心对象,开展了一系列齿轮传动关键件模态感知算法研究工作。在此基础上,设计开发了一套齿轮箱在线监测与识别系统,应用了模态感知算法并验证了其最终效果。
欢迎来到三峡大学图书馆！
