变转速工况下的行星齿轮箱智能故障诊断方法研究

发布时间：2021-04-22 18:52

　　基于振动分析技术的机械健康状态检测和故障诊断方法已被广泛应用于如汽车、风电、采矿等许多工业领域中,它能准确的定位许多机械的早期故障且容易部署。行星齿轮箱作为许多重型机械（如风力发电机）传动链上的核心部件,对其进行故障诊断是十分必要的。然而,行星齿轮箱的结构复杂性和运行工况的非平稳性给传统的故障诊断方法带来了挑战。此外,在目前的工业应用中,机械设备每天产生着海量的传感器数据,传统基于人工和专家知识的故障分析方法受到了局限,急需提出针对原始传感器信号的优化处理流程以及智能化的故障诊断新方法。基于前沿的机器学习和深度学习技术的发展,同时考虑行星齿轮箱振动信号的复杂性以及机械变工况运行带来的数据非平稳性,本课题主要研究故障的智能诊断方法以及克服工况影响的信号处理技术。论文主要围绕行星齿轮箱箱体结构裂纹、旋转轴裂纹以及齿轮箱内部齿轮的几种常见故障进行研究,提出了几种具体的故障诊断方法,发展了卷积神经网络技术在故障诊断领域中的应用,并探索了时变工况带来的诊断中的迁移学习问题。本文的具体研究工作可以概括如下:（1）针对行星齿轮箱箱体裂纹故障定级问题,将旋转机械中常用的计算阶次分析方法引入到机械结构扫... 

【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校

【文章页数】：66 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 课题研究背景与意义
    1.2 故障诊断简述
    1.3 行星齿轮箱故障诊断难点分析
    1.4 行星齿轮箱诊断方法调研
        1.4.1 动力学建模方法
        1.4.2 机械振动信号分析
        1.4.3 智能诊断方法
    1.5 论文内容概括及结构安排
第二章 基于阶次的结构裂纹诊断
    2.1 引言
    2.2 故障信号分析方法综述
        2.2.1 时域分析方法
        2.2.2 频域分析方法
        2.2.3 时频域分析方法
        2.2.4 阶次跟踪方法
    2.3 基于阶次的结构裂纹诊断方法
        2.3.1 振动信号阶次谱
        2.3.2 信号阶次特征提取
        2.3.3 支持向量机分类
    2.4 实验分析验证
        2.4.1 实验台介绍与数据采集
        2.4.2 实验结果分析与讨论
    2.5 本章小结
第三章 基于卷积神经网络的故障诊断
    3.1 引言
    3.2 深度卷积神经网络简介
        3.2.1 卷积神经网络组成
        3.2.2 深度学习关键技术
        3.2.3 相关文献调研
    3.3 卷积神经网络结构研究
    3.4 太阳轮故障诊断案例分析
        3.4.1 故障模拟实验台介绍
        3.4.2 网络超参数设置
        3.4.3 模型诊断结果分析
    3.5 本章小结
第四章 波动转速下的域适应诊断
    4.1 引言
    4.2 域适应问题研究现状
    4.3 转速归一化方法
    4.4 域适应诊断案例分析
        4.4.1 实验台介绍与数据说明
        4.4.2 网络超参数设置
        4.4.3 诊断结果分析
    4.5 本章小结
第五章 全文总结与展望
    5.1 全文总结
    5.2 后续工作展望
致谢
参考文献


【参考文献】：
期刊论文
[1]基于阶次分析技术的行星齿轮箱非平稳振动信号分析[J]. 王况,王科盛,左明健.  振动与冲击. 2016(05)
[2]行星齿轮箱故障诊断的非平稳振动信号分析方法[J]. 冯志鹏,范寅夕,LIANG Ming,褚福磊.  中国电机工程学报. 2013(17)
[3]行星齿轮箱故障诊断技术的研究进展[J]. 雷亚国,何正嘉,林京,韩冬,孔德同.  机械工程学报. 2011(19)
[4]风力发电机组状态监测系统与故障诊断方法研究现状[J]. 谢源,焦斌.  上海电机学院学报. 2010(06)
[5]基于Wigner分布的齿轮箱振动信号相位估计[J]. 沈国际,陶利民,温熙森,陈仲生.  机械工程学报. 2004(09)

博士论文
[1]高速列车齿轮箱箱体故障诊断及跨尺度寿命预测研究[D]. 艾轶博.北京科技大学 2018



本文编号：3154289