王翔[1]2002年在《小波分析在拖拉机齿轮箱自动故障诊断中的应用》文中研究表明齿轮箱作为拖拉机的重要传动部件,对其进行状态监测和故障诊断的研究具有重要的实际意义。本文致力于拖拉机齿轮箱振动信号的特征提取和自动故障诊断技术的研究。文中首先对齿轮箱振动诊断的常规分析方法包括特征参数法、频谱分析法及共振解调法进行对比,分析了各种方法的适用条件和局限性;接着介绍了本次实验的室内加载测试系统和拖拉机齿轮箱故障模拟方案;然后,针对常规方法的局限性,采用小波分析技术对“东风81-A型”手扶拖拉机齿轮箱的振动信号进行分析,实测数据分析表明:1.使用基于Morlet基小波的连续小波分析对诊断由冲击造成的拖拉机齿轮箱齿轮轮齿的微弱故障有良好的效果;2.小波包分析技术能有效的在宽频带范围内提取振动信号的有用成分,便于实现齿轮箱的自动诊断。最后探讨如何建立基于人工神经网络拖拉机齿轮箱的自动故障诊断系统,并解决了其中的几个关键问题。
周燕, 李伯全[2]2003年在《小波分析在拖拉机齿轮箱故障诊断中的应用》文中提出在分析了采用傅立叶变换对拖拉机齿轮箱故障诊断进行信号分析技术所存在的不足的基础上,提出了采用小波变换对该信号进行分析处理时,基小波选取的方法。同时在对拖拉机齿轮箱故障诊断的实际应用中,用齿轮箱振动的加速度信号对傅立叶变换和小波变换的结果进行了比较,证明了应用小波变换能准确反映齿轮箱故障的结果,并提出用小波变换可以建立故障自动诊断系统。
鲁刚[3]2003年在《基于小波—遗传算法的拖拉机齿轮箱齿轮故障诊断的研究》文中进行了进一步梳理齿轮箱作为拖拉机的重要传动部件，对其进行状态监测和故障诊断的研究具有重要的实际意义。本文致力于拖拉机齿轮箱齿轮振动信号的征兆提取和自动故障诊断技术的研究。 文中介绍了拖拉机齿轮箱故障诊断实验研究的室内加载测试系统的构建及其工作原理；理论分析了拖拉机齿轮箱的振动机理，对机械故障振动征兆的常规分析方法包括时域分析法、频域分析法、倒谱分析法及频域最佳特征参数方法进行对比，分析了各自的适用条件和局限性，并对比传统的征兆参数提取方法提出了用于获得机械故障诊断征兆参数的小波分析方法，给出了小波分析理论所具有的显着特点和与传统的故障征兆提取方法相比，小波分析在参数提取过程中所具有的明显优势，进而建立起基于小波分析的反映故障征兆的初始参数集合；在通过小波分析所建立的反映故障征兆的初始参数集的基础上，论述了利用遗传算法理论，对征兆参数集合进行空间搜索而得到能够反映故障状态模式的最佳征兆参数的提取方法，并根据实验需要制定了拖拉机齿轮箱典型故障的实验模拟方案，通过已建立的室内加载实验系统，采集相应的不同运转状态下的齿轮箱正常工况和故障工况下的振动信号，利用小波和遗传算法理论对测得的实验数据进行处理分析，实现故障的模式识别，且通过实验中模拟的故障形式的比较验证了本文所建立的齿轮箱故障诊断的实验分析方法的可行性和有效性。
孙国富[4]2015年在《风力机组齿轮箱传动系统多类故障诊断分类方法的研究》文中提出为了找到针对齿轮传动系统多类故障分类的有效方法,在不同测点对齿轮箱传动系统进行故障实验,获取振动信号。针对行星齿轮传动系统振动信号的非线性和非平稳性、故障特征信号难以提取等特点,分别从混沌特征信息融合与能量相关系数两个方面对风力机组齿轮传动系统的复杂微弱及耦合故障进行了综合分析与研究。首先对振动信号进行EMD分解得到IMF分量,再对得到的IMF分量建立AR模型得到自回归参数序列,进而对得到的自回归参数序列计算样本熵、关联维数、最大Lyapunov指数这3个混沌特征参数,将其作为故障辨识特征量,利用支持向量机对6种不同状态进行分类。结果表明：这种方法能在很大程度上提高故障分类准确率。分别获取正常状态及5种故障状态振动信号的不同IMF分量下的能量特征向量,计算同IMF分量不同故障状态振动信号的相关系数及不同IMF分量相同故障状态振动信号的相关系数。通过对比分析进而建立故障诊断模型,用12组待检信号对5种不同故障状态进行诊断,得到的结果与实际故障状态一致,验证了故障诊断模型的正确性。结果表明：利用多IMF分量信息的相关性可以有效地对不同状态进行诊断。
冯保华[5]2015年在《风力机组齿轮箱传动系统的动力学计算与齿轮故障特征分析》文中研究表明为了研究齿轮故障对传动系统的影响以及复合故障时振动信号的特征,对风力机齿轮传动系统进行实验信号的采集与分析。针对行星齿轮传动系统振动信号的不稳定性、故障特征信号难以提取等特点,分别建立了多刚体动力学模型和刚柔耦合的动力学模型,研究了齿轮故障时振动信号的特征以及对传动系统的影响。首先从理论对齿轮的主要故障振动信号的时域和频域进行了分析,并介绍了齿轮故障特征频率的计算方法。建立了风力机齿轮传动系统的有限元模型,分析了其低阶固有频率和相对应的振型,掌握了齿轮传动系统有可能发生的共振频率范围以及相应的振动方式。在故障诊断时对提取加速度信号的测点布置提供了指导作用。实验信号中,在定轴高速主动轮单一故障时中速级啮合频率及其2倍频附近的频带幅值较高,复合故障时在中速级啮合频率2倍频附近出现了幅值较高的频带且其倍频高于基本啮合频率,在低频区中行星轮的故障特征复杂,无法辨别。因此,通过ADAMS建立了风机齿轮传动系统的多刚体动力学模型,利用模拟信号做定性分析,得出定轴高速主动轮故障对各测点影响明显且频域分布特征基本一致,表现为在高速级啮合频率、中速级啮合频率及2倍频附近有较强的频带。复合故障时,行星轮断齿仅对故障源附近影响明显,即行星轮啮合频率及其2、3倍频幅值明显,且以啮合频率及其倍频为中心存在明显边频,其故障对传动系统的其他位置影响微弱。针对实验信号中速级啮合频率2倍频幅值高于其基本啮合频率,通过ADAMS与ANSYS联合建立了风机传动系统的刚柔耦合的动力学模型,分析了中速级啮合频率幅值增强的原因以及行星轮故障引起的频域特征。分别研究了行星轮断齿、定轴高速主动轮裂纹-行星轮断齿复合故障的振动信号特征,得出行星轮断齿对中速级齿轮啮合产生了影响,造成中速级啮合频率的二倍频幅值增强；行星轮啮合频率的幅值明显增强且其倍频的幅值明显高其啮合频率；复合故障时,定轴高速齿轮故障造成了中速级啮合频率2倍频附近的频带幅值增强。
杨克强[6]2010年在《LVQ神经网络在齿轮箱故障诊断中的研究》文中研究说明近年来,随着现代化生产的发展,机械设备的安全性和可靠性问题越来越突出,设备中可能出现的小故障会造成整个系统设备的瘫痪,为了提高设备的安全可靠性、降低设备强迫停运、降低维修费用、延长设备的使用寿命等,关于机械设备的故障诊断技术越来越受到重视。机械的故障诊断技术是随着现代化大生产工业的发展而发展起来的一项机械设备诊断技术,是大型机械设备安全可靠运行的关键技术之一,也是各种自动化系统及一般机械系统的效率和可靠性进行预知维修及预知管理的基础。因此关于机械设备故障诊断技术的研究具有重要的意义。LVQ神经网络能够通过竞争性的隐含层来传递函数,并根据目标的类别将输入向量进行组合分类。竞争层能够学习对输入向量的分类,线性层将竞争层传来的分类信息转变成使用者所定义的类别。LVQ神经网络的优势在于:它不但能够对线性输入数据进行分类,而且还能处理多维的、甚至是含噪含干扰的数据量。当然LVQ网络也有不足之出:最严重的问题是没能力来解释自己的推理过程和推理依据;其次,把一切问题的特征都变为数字,把一切推理都变为数值计算,其结果势必是丢失信息;再者不能向用户提出必要的询问,而且当数据不充分的时候,神经网络就无法进行工作;最后理论和学习算法还有待于进一步完善和提高。论文首先介绍了人工神经网络的理论知识,接着介绍了关于BP神经网络和LVQ神经网络的结构和学习过程以及网络设计方法,然后基于BP神经网络和LVQ神经网络理论出发分别构造BP网络的网络模型和LVQ网络的网络模型。在齿轮箱故障诊断的实例当中,分别采用BP神经网络和LVQ神经网络对齿轮箱的机械故障进行诊断,并将两个神经网络的诊断结果进行比较,得出LVQ神经网络在机械设备故障诊断的应用中更具有优势,更适合用来作为检测机械设备的故障。最后文章进行总结工作,并提出了下一步的研究方向。
参考文献：
[1]. 小波分析在拖拉机齿轮箱自动故障诊断中的应用[D]. 王翔. 江苏大学. 2002
[2]. 小波分析在拖拉机齿轮箱故障诊断中的应用[J]. 周燕, 李伯全. 农机化研究. 2003
[3]. 基于小波—遗传算法的拖拉机齿轮箱齿轮故障诊断的研究[D]. 鲁刚. 江苏大学. 2003
[4]. 风力机组齿轮箱传动系统多类故障诊断分类方法的研究[D]. 孙国富. 天津工业大学. 2015
[5]. 风力机组齿轮箱传动系统的动力学计算与齿轮故障特征分析[D]. 冯保华. 天津工业大学. 2015
[6]. LVQ神经网络在齿轮箱故障诊断中的研究[D]. 杨克强. 安徽农业大学. 2010
标签：机械工业论文; 故障诊断论文; 齿轮箱论文; 小波分析论文; 特征频率论文; 齿轮论文; 机械振动论文; 信号频率论文; 振动频率论文; 神经网络论文;