基于动力学仿真的行星变速箱故障机理研究

针对某型行星变速箱故障机理研究欠缺和故障诊断困难的问题,在刚柔耦合动力学理论和齿轮故障信号模型基础上,建立了行星变速箱齿轮-箱体刚柔耦合动力学模型,分别计算行星变速箱正常状态和齿轮故障下的齿轮啮合力和箱体表面振动信号,进而研究齿轮故障机理,最后通过对故障模拟试验采集的实测信号与仿真信号的频谱成分对比,验证了所建模型的正确性。结果表明:齿轮发生故障时,振动信号频谱会出现相应的特征边频带。     

基于DWT-LPP的行星变速箱故障信号特征增强方法

针对行星变速箱齿轮故障信号特征易被噪声湮没且不同齿轮故障信号较难区分的特点,提出了一种基于离散小波变换(Discrete Wavelet Transform,DWT)和局部保持映射(Local Preserving Projection,LPP)的行星变速箱故障信号特征增强方法。首先,利用DWT对信号进行多频段的重构扩充信号维度;然后,通过LPP对多维度信号进行降维,减弱噪声影响并增强信号的稳定性;最后,以排列熵(Permutation Entropy,PE)、样本熵(Sample Entropy,SE)和功率谱熵(Power Spectral Entropy,PSE) 3种信息熵表征信号特征。对台架试验采集不同故障状态的振动信号进行分析,结果表明:该方法对故障信号特征增强明显,依据3种信息熵值的三维坐标有效实现了行星变速箱齿轮故障的分类识别。     

基于MUDW和峭度的齿轮故障信号预处理方法

针对齿轮故障信号特征提取困难、易淹没在噪声干扰中等问题,采用形态非抽样小波(Morphological UnDecimated Wavelet,MUDW)分解和峭度对振动信号进行预处理,以强化齿轮故障信号特征和提高特征信息比重。首先,采用MUDW对信号进行分解,利用网格搜索法优选其初始参数;然后,采用峭度作为评价指标来表征各分解层近似信号对故障特征的贡献量,在此基础上进行加权融合运算,以提高有用的近似信号比重;最后,利用仿真信号和实测的齿轮故障振动信号验证了该方法的有效性和实用性。     

SVM与PSOHF参数优化装备机械传动齿轮故障诊断

为了提高支持向量机(SVM)对齿轮故障诊断的准确性,提出了一种基于SVM与PSOHF参数优化的机械传动齿轮故障诊断新方法。采用蜜蜂觅食机制改进粒子群算法(PSOHF)对SVM径向基核函数参数c和g进行了优化,建立优化后的SVM模型;而后对齿轮不同裂纹长度的故障信号进行小波包分解,将相对小波能量作为故障特征向量输入SVM;进行模式识别和故障分类,最终实现齿轮故障诊断。齿轮裂纹故障振动实验信号的研究结果表明,PSOHF优化的SVM提高了分类正确率,更适于实际中齿轮故障诊断。     

基于LCD与双谱分析的齿轮故障特征提取

针对齿轮故障时振动信号复杂、特征提取困难的问题,提出采用局部特征尺度分解(Local Characteristicscale Decomposition,LCD)与双谱分析相结合的故障特征提取方法。首先,利用LCD分解法对振动信号进行分解,并结合贝叶斯信息准则(Bayesian Information Criterion,BIC)和峭度时间序列互相关系数2个指标对内禀尺度分量(Intrinsic Scale Component,ISC)进行筛选;其次,利用双谱分析法对所选取的ISC分量进行融合,提取双谱熵作为特征量;最后,运用该方法实现齿轮振动信号故障特征的提取,并通过齿轮预置故障试验验证了该方法的有效性。     

基于MED的滚动轴承故障特征提取方法及其应用

为提取微弱的轴承故障信号,研究了一种基于最小熵反褶积(Minimum Entropy Deconvolution,MED)的滚动轴承故障特征提取方法:在利用AR模型去除齿轮啮合产生的确定性信号的基础上,对保留信号进行最小熵反褶积,增强冲击信号.该方法避免了传统轴承故障诊断方法中带通滤波器设计的难题,实车测试表明:与共振解调技术相比,该方法提取的滚动轴承故障特征更加明显,更适合于工程应用.     

基于小波包和神经网络的行星齿轮箱故障模式识别技术

行星齿轮箱振动信号在各频段的能量分布与其故障类型有关。利用Daubecics小波包将不同故障的振动信号分解到各个频带。BP神经网络的输入是各频带的能量——行星齿轮故障的特征向量,用神经网络识别故障类型。通过实验验证了该方法可以快速、准确地进行故障模式识别,达到良好的预期效果。利用此方法可以有效解决武装直升机武器系统复杂故障现象问题。     

基于空间采样法的齿轮调相振动信号解调

在对机械设备的齿轮部件进行振动监测时,由于载荷以及转速波动等因素的影响,会引起振动信号的相位调制,使得频谱严重失真.通过对调相现象的理论分析和数值仿真计算,提出了基于空间采样的齿轮振动调相信号的解调方法,结果表明,该方法可以获得有价值的振动信号,从而进行有效的齿轮故障诊断.     

涡轮泵实时故障检测的时间编码信号处理方法研究

为了提高液体火箭发动机涡轮泵实时故障检测的有效性,通过取消对胞元长度限制和提出新的编码计算方法,提出了一种改进的时间编码信号处理方法,并将其应用于涡轮泵振动信号的实时特征提取.通过正常和异常涡轮泵历史试车稳态过程的振动数据对该方法的稳定性和故障检测有效性进行了验证,结果表明,基于时间序列编码的信号处理方法可以有效提取故障特征,可用于涡轮泵故障的实时检测.     

齿轮疲劳裂纹监测方法的研究

本文通过分析齿轮疲劳裂纹振动信号的特点,建立了一套以信号平均、滤波、移频等相结合的诊断方法。经实例验证,它是一种方便、有效的诊断方法。     

基于高阶谱分析的机械故障特征识别

在分析高阶累积量与高阶谱的理论基础上，利用高阶谱可以抑制加性高斯噪声的性质，研究了基于高阶谱分析的机械故障特征提取方法，提出了基于双谱估计的齿轮故障诊断的方法。通过对齿轮信号的双谱特征图谱进行分析比较，成功地对齿轮的正常稳态振动信号、正常瞬态振动信号以及磨损瞬态信号进行了识别，效果十分显著。     

某高低机蜗轮磨损寿命计算研究

针对某型火炮高低机蜗轮蜗杆因磨损产生不自锁的现状,通过分析蜗轮表面磨损形貌,采用Archard磨损理论,根据蜗轮蜗杆传动的实际情况,推导出磨损计算公式并结合有限元方法,对蜗轮的磨损寿命进行计算,为预测火炮故障和实现精确化保障打下基础.     

混沌振子在转子系统早期碰摩故障检测中的应用

根据Duffing方程解的特性设计出混沌振子 ,利用混沌振子对噪声的免疫力和对小信号的敏感性对微弱信号进行检测 ,并将此方法应用于转子系统早期碰摩故障检测中 ,结果表明此方法简单、可行。     

机械故障特征与分类器的联合优化

在机械故障诊断中,特征选择和分类器的参数优化都可以提高诊断精度。利用特征和分类器参数的依赖关系,提出了特征选择和SVM参数的联合优化方法来提高诊断性能。联合优化方法采用支持向量机(SVM)作为故障分类器,SVM半径—间距上界(RM界)为目标计算诊断精度,并应用遗传算法求解此优化问题。齿轮故障诊断试验结果表明,联合优化的诊断精度要优于单独优化特征和SVM参数,而且优化速度更快。因此在故障诊断中,利用特征和分类器参数联合优化能够快速取得较好的诊断精度。     

外加信号增强随机共振在微弱信号检测中的应用

在利用随机共振检测微弱周期信号的基本原理基础上,给出一种通过外加可控信号激励出随机共振现象,并将之应用于微弱信号检测的方法。采用仿真信号对该方法进行了验证,通过归一化尺度变换,将该方法的适用频率扩展到机械系统特征信号频段。结果表明,该方法简单可行,能把信噪比较低的周期信号从强背景噪声中提取出来,在机械故障检测中具有应用前景。     

大型军车新型底盘自动集中润滑系统的研究与开发

开发了大型军车使用的新型底盘自动集中润滑系统(Chassis Centralized Lubrication System)。系统采用高效润滑泵、嵌入式控制系统及车内CAN总线网络扩展技术,大大提高了大型军车底盘的寿命,可有效地减少战场环境下的底盘故障。     

小波分析和神经网络结合的变速箱状态识别

针对变速箱故障信号的非平稳和时变特性，提出了小波分析和神经网络结合的变速箱状态识别方法。为了验证该方法的有效性，试验模拟了某型车辆变速箱正常、7216轴承滚动体点蚀及3挡被动齿轮严重磨损3种状态，以箱体振动信号作为分析信号，首先对信号应用小波阈值法降噪减少干扰，接着将小波分解系数单子带重构得到不同频带的信号分量，提取各频带能量作为特征向量输人神经网络进行状态识别，结果表明该方法能有效识别变速箱的3种状态。     

履带车辆动力传动系统仿真与试验验证

基于EASY5软件平台,利用模块化的建模手段,建立了履带车辆动力传动系统动力学模型,并进行了加速过程仿真.通过实车试验验证了模型的有效性和仿真结果的正确性.结果表明,该建模手段可有效的应用于车辆性能分析及预测.     

基于阶次跟踪和BP网络的齿轮箱故障模式识别

在对齿轮箱的原始振动信号进行时域采样的基础上,利用小波包分析对其进行消噪,然后对得到的数据进行角域重采样,得到基于阶次跟踪的采样信号,再对该信号进行特征参量提取,最后利用BP网络对得到的故障特征参量集进行模式识别。该方法能够避免传统分析方法中难以克服的“频率模糊”现象,对于瞬态信号有较好的分析处理能力,是对传统频谱分析法的有力补充。