关键词： 风电场   齿轮箱轴承   防跑圈结构   监测技术  

摘要： 随着风电行业的快速发展，风机齿轮箱轴承的安全性问题日益突出。文章提出了一种基于防跑圈结构的风电场齿轮箱轴承监测与预警技术。通过选用振动、温度与位移传感器，结合时频域分析与智能诊断模型，实现了对防跑圈结构故障的早期识别和实时预警。研究表明，该系统能够有效提高故障诊断的准确性，减少风电场设备的停机时间，并为风电场的智能化运维提供技术支持。

关键词： 煤矿机械   故障振动信号   传动系统   齿轮   故障诊断  

摘要： 提出了结合小波变换分析振动信号的煤矿机械传动齿轮故障诊断方法。结果显示，研究方法表现出了较好的降噪效果和适用性，在0.1 s后去噪效果非常明显；在不同的数据样本中的功率谱图和反频谱图的故障诊断中发现有两个峰值，其反频率分别为53.8 ms和27.8 ms，对应频率为18.6 Hz和36.0 Hz，在大约36.58 Hz处出现另一个峰值，这表明存在齿轮运行频率，可用于调节调制现象和诊断中间轴齿轮故障，检查后证实了齿轮故障。可见研究方法在传动齿轮故障诊断的有效性，能够提高故障信号检测的准确性和效率。

摘要： ~~

摘要： 在风电机组运行过程中,叶片的载荷通过主轴传递至齿轮箱1,2。在全生命周期中,风电机组所处环境的复杂性、承受载荷的不确定性,导致齿轮箱在兆瓦级风电机组中损坏率较高3,4。在齿轮箱各部件中,由于扭力臂与机架连接,轮毂中心受到的扭矩、倾覆力及力矩均需要通过扭力臂来进行平衡,因此,扭力臂是承受轮毂中心载荷的主要部件。

关键词： 多特征熵距矩阵   美洲狮优化算法   变分模态分解   卷积神经网络   支持向量机  

摘要： 本文以在旋转机械传动系统中扮演关键角色的齿轮箱中的滚动轴承和传动齿轮为研究对象,从融合多特征信息熵距和构建智能故障诊断模型两个研究角度出发,进行了如下工作: (1)提出了一种融合多特征熵距矩阵的滚动轴承复合故障诊断方法。针对滚动轴承复合故障难以判断的问题,以融合多特征信息熵距法为基本方法,在分析了不同信息熵的故障特征提取和区分效果的基础上,选择小波空间特征谱熵、能谱熵、排列熵、包络谱熵构建多特征熵距,计算由不同工况下多通道收集到的代表典型故障的数据与待测故障数据的多特征熵距,以此构建以转速和通道为维度的矩阵,以矩阵中所有元素的方差和均值绝对值为指标,判断待测故障所属类别,实现了对8种不同程度的轴承复合故障的诊断。 (2)提出了一种基于小波包空间特征谱熵、能谱熵、排列熵、包络熵的融合多特征熵距的故障诊断法。针对传动齿轮早期发生故障特征微弱难以区分的问题,在对比了小波空间特征谱熵和小波包空间特征谱熵故障特征提取性能的基础上,验证了后者在变化程度微弱的故障特征提取上的优越性,提出了一种基于小波包空间特征谱熵、能谱熵、排列熵、包络熵的融合多特征熵距的故障诊断法,实现了对传动齿轮9种变化程度微弱的故障的诊断。 (3)提出了一种基于美洲狮智能算法优化的VMD-CWT-CNN-SVM故障诊断方法。这项工作针对当前基于智能数据驱动的故障诊断模型存在的不足之处,利用美洲狮(puma)优化算法优化变分模态分解(VMD)参数,筛选出包络谱熵最小的分量作为敏感特征分量,并利用连续小波变换(CWT)将其转化为二维连续小波图输入由卷积神经网络(CNN)和支持向量机(SVM)共同搭建的深度学习模型,实现了对齿轮箱内部轴承、齿轮各5种典型故障,以及传动齿轮9种变化程度微弱故障的诊断。

关键词： 行星齿轮箱   故障诊断   端到端   自适应小波包分解   卷积神经网络  

摘要： 针对传统行星齿轮箱故障诊断网络的人工特征提取困难的问题，提出了将小波包函数约束的自适应小波包分解(AWPD)卷积核融入CNN网络，构建行星齿轮箱端到端故障诊断网络MSAWPD-CNN。首先将2种频率尺度的AWPD卷积核融入到诊断网络的第1层，使诊断网络聚焦于可以有效表达行星齿轮箱故障的时频特征；其次将2种频率尺度的时频特征分别通过2层1D卷积进行特征压缩；最后将压缩后的特征堆叠送入骨干CNN进行深层特征提取与故障模式分类。实验结果表明，所提出的网络可以有效聚焦时频特征，加速训练结果的收敛，并且在测试集中诊断准确率最高。

关键词： 齿轮箱   变分模态分解   奇异值分解   支持向量机  

摘要： 针对特种车辆齿轮箱工作环境恶劣、状态识别困难的现实问题，这里提出了一种基于自适应优化变分模态分解（Variational Mode Decomposition，简称VMD）和奇异值分解（SVD）的特征值提取方法，并结合支持向量机（Support Vector Machine, SVM）构建诊断模型，应用到齿轮箱的状态识别中。首先，针对VMD分解层数K值难确定问题，结合相关系数和阈值提取有效分量，确定最优分解层数K，完成对VMD分解的自适应优化。然后用改进后的VMD算法对振动信号进行分解，用相关系数筛选出蕴含故障信息最丰富的分量进行频谱分析和SVD特征值提取，将特征值输入到构建好的支持向量机诊断模型中，根据输出结果识别齿轮箱状态。研究结果表明，该方法能有效应用于特种车辆齿轮箱状态识别，诊断正确率达到95.36%，为恶劣工况下齿轮箱状态识别提供了一种有效的应用方案。