基于自适应混合特征行星齿轮箱的故障诊断方法研究

【摘要】：行星齿轮箱是机械传动系统中的重要部件。因其长期在复杂恶劣的环境中运行,容易造成内部零件发生复合故障,同时运动中齿轮之间进行相互啮合,啮合面容易出现以裂纹为代表的微弱故障特征,因此,监测行星齿轮箱中多故障状态并及时进行诊断确保设备的安全运行,具有较为重要的意义。在工程实践中,单一故障会导致故障的并发性,故障之间互相影响,故障的形式也不一样,导致故障往往不是单一出现。当行星齿轮箱发生微弱复合故障时,其振动信号成分比较复杂,频率的非线性耦合程度较强等特征,造成诊断识别较为困难。本文针对行星齿轮箱出现微弱复合故障较难分析等问题,以行星齿轮箱为研究对象,通过传统动力学模型的分析,建立Volterra级数模型,联合模型和信号分析,提取混合特征,进行微弱复合故障诊断的研究。论文的主要研究工作有以下几个方面:(1)分析行星齿轮箱常见的故障模式和原因以及表现形式,建立了行星齿轮箱的动力学模型以及分析各部件的特征频率。通过仿真分析,发现单一的分析方法较难解决行星齿轮箱的微弱复合故障问题。(2)为了解决微弱复合故障信号中出现非线性耦合性较强,特征较难提取等问题,采用“黑箱”思想,利用系统的输入输出建立Volterra级数模型。通过搭建行星齿轮箱复合故障试验台进行数据的采集,根据系统的输入输出建立基于Volterra级数的行星齿轮箱模型,求解出核函数,分别绘制高阶谱图和切片谱图对比分析,初步验证了方法的有效性。(3)针对非线性模型出现计算量较大、在线实时诊断比较困难等不足之处,提出利用混合特征分类识别微弱复合故障。对时域特征、频域特征和非线性特征的计算公式以及物理意义进行叙述并进行提取。在训练样本有限的情况下,采取支持向量机对微弱复合故障进行分类识别,并对混合特征进行归一化处理。(4)利用支持向量机进行微弱复合故障分类识别中,对支持向量机中需人为设置的参数进行优化,选择遗传算法进行参数优化,构建GA-SVM的参数优化模型,相比传统的SVM模型,优化后的模型分析更加可靠。在针对混合特征可能会出现冗余特征,采用补偿距离评估对混合特征进行剔除挑选。(5)通过对理论研究,经实验表明,加入非线性特征比不加非线性特征的识别率更高,体现出非线性特征的必要性,并且说明非线性特征有利于微弱复合故障的辨识,可以更好地体现非线性的频率耦合特性,并且剔除过后的特征集识别效果更佳,证明了方法的实用性。