关键词:
行星齿轮
裂纹
振动
深度残差收缩网络
深度学习
摘要:
行星齿轮箱是核电循环泵的重要组成部分,因其工况环境恶劣,长期承受高负荷,易出现齿轮裂纹等故障。裂纹的扩展不仅会影响齿轮的传动性能和结构强度,还可能引发设备损坏,威胁系统的运行安全。因此,实现齿轮裂纹的准确辨识至关重要。
行星齿轮箱内部结构复杂,裂纹辨识难度显著增加。论文针对行星齿轮箱裂纹辨识在低信噪比下诊断准确率较低的问题,提出并实现了一种基于振动信号的行星轮系齿轮裂纹辨识方法。论文主要研究工作是:
1、相关基础理论与方法。分析了行星齿轮箱的基本结构特点、故障类型及形成原因、振动信号传递路径等特性。结合行星轮系振动特性及实测数据,对比分析了短时傅里叶变换(STFT)、小波变换(WT)、格拉姆角场(GASF)和广义S变换(GST)等振动信号图像化方法,确定采用STFT将振动信号图像化。为后续行星轮系裂纹辨识模型/方法提供了理论依据和技术支持。
2、基于振动信号的状态辨识方法。结合振动信号的时序性、关联性和空间特性,以及基于深度学习的图像处理方法,提出了一种基于双通道深度残差收缩神经网络(Double Channel-Deep Residual Shrinkage Network,DC-DRSN)的状态辨识方法。该方法将振动信号转化得到的二维图像作为模型上通道的输入,用以捕捉信号的空间特征;将原始的一维振动信号作为模型下通道的输入,用以保留信号的时间序列特性和全局动态信息;通过DC-DRSN模型的融合层融合上、下通道的特征,以提高状态辨识的准确性。在此基础上,利用美国凯斯西储大学的轴承公用数据集,研究了DC-DRSN模型的优化设计,以及残差收缩模块最佳数量的确定方法,并验证了振动信号图像化方法STFT、基于DC-DRSN模型的状态识别方法的有效性。结果表明:采用STFT作为图像转换方法,相较WT、GASF和GST等其它图像转换方法,辨识准确率更高;基于DC-DRSN模型实现轴承状态辨识,相较DRSN、VGG-16、Google Net和Alex Net-18等模型,其准确性和稳定性更优。
3、基于DC-DRSN开展行星轮系齿轮裂纹辨识试验。首先,依托等比缩小的核电行星齿轮箱试验台,获取了齿轮正常、太阳轮裂纹、行星轮裂纹工况下的振动监测数据。其次,优化了残差收缩模块数量,构建了针对行星轮系齿轮裂纹辨识的DC-DRSN模型。在此基础上,结合行星轮系齿轮正常和裂纹状态下的振动监测数据,验证了基于DC-DRSN模型实现裂纹辨识的有效性。结果表明:采用STFT图像转换方法和基于DC-DRSN模型的状态识别方法,可以实现行星轮系齿轮的裂纹辨识,且在特征提取与分类能力方面同样优于其它方法/模型;4d B噪声条件下,基于DC-DRSN模型的辨识准确率与原模型相比提升了0.55%,相较其他方法至少提升了0.98%。