基于深度学习的行星齿轮箱故障诊断研究

发布时间：2021-04-09 01:05

　　行星齿轮箱以其高传动比、强承载力及优良的传动平稳性广泛应用于以工程机械为代表的重要机械产品中。作为工程机械设备之核心传动部件,一旦有故障产生,很有可能造成不可估量的生产亏损和高昂的维修用度。在面向行星齿轮箱智能故障诊断研究上,特别是在面向非平稳工作状况之下设备的研究方面依然不够深入。故此,研究变加速度工况之下行星齿轮箱之振动信号处理方法,开发更加适用于行星齿轮箱故障特征提取与分类的智能故障诊断技术,对于行星齿轮箱智能故障诊断平台之搭建将大有助益,进而落实对其早期故障的诊断与预警,减少检修成本或安全事故,对于工程机械之智能监测连同健康维护具有极高应用价值。针对上述关键问题,本文以山推工程机械公司生产的SD 16推土机变速箱和中车风电公司生产的风机齿轮箱为研究对象,以促成不同工作状况中行星齿轮箱故障特征之提取及智能识别为研究目标,提及并阐述了基于小波包阈值消噪之信号预处理手段和基于语谱分析之非平稳信号时频特征提炼方法,建立了基于深度卷积神经网络之行星齿轮箱及迁移学习故障诊断模型,并进行了试验验证。（1）针对提取到的行星齿轮箱非平稳振动信号中的噪声扰动的滤除问题,对国内外常用的信号滤波消噪方... 

【文章来源】：山东大学山东省 211工程院校 985工程院校 教育部直属院校

【文章页数】：73 页

【学位级别】：硕士

【部分图文】：

图１－１论文框架图??８??

山东大学硕士学位论文???愈大，消噪成效即愈好。??（２）均方误差ＭＳＥ??（２－１８）??均方误差亦是评估信号消噪性能优劣的重要衡量准则之一，均方误差愈小，??消噪成效即愈好。??２．４．４小波和小波包消噪仿真及分析??为了对小波阈值和小波包阈值两种信号预处理方法的成效进行对比，本节以??推土机变速箱太阳轮振动信号为例，利用其仿真信号处理分析。假设太阳轮某部??位己出现损伤，所参考的振动信号模型［４］给出式（２－１９）之仿真信号：??ｙ｛ｔ）?＝?［１?＋?ｃｏｓ（２７ｒｌ?８〇］ｃｏｓ［２＾１?８?ｌｒ?－ｆ?ｓｉｎ（２７ｒｌ?Ｓｔ）］?（２－１９）??表２－１呈现了仿真信号之具体参变量，此间对象损伤之特征频率／５确定成??１８／／Ｚ。鉴于实际振动信号存在噪声成分，故在仿真信号里加入高斯白噪声，其??相关参数为：方差为０．５、均值为１。图２－３表示此加噪仿真信号的时域表现。???表２－１仿真信号参数设置???由太阳轮??采样频率?ｎ齿合频率?损伤特征?调幅、调频?初始相位??ｆ／Ｈｚ?ｆ－ＩＨｚ?频率?１１?Ｈｚ?强度??５１２０?１８１?１８?１?０??４ｊ?ｒ?１?１?１?１?：?１?１???＾０?０．２?０．４?０．６?０．８?１?１．２?１．４?１．６?１．８?２??时间／ｓ??图２－３仿真信号的时域图??依次运用小波及小波包的方法向仿真信号作出３、５、７层的消噪分解，原始??信号经预处理，其信噪比连同均方误差如表２－２所示。??１６??

山东大学硕士学位论文??速度波动信号采取加窗分巾贞，根据其转速波动情况可以推算出振动信号在ｌ〇ｍｓ??到３０ｍｓ是相对于平稳的，由信号采样频率计算确定，窗函数长度（帧长）为１２８，??帧移为６４。此后再对己分段并作窗叠加的加速度信号作ＳＴＦＴ，以获取每段的瞬??时频域转换，将此频谱按照时序逐一存储，便获得风机增速箱加速度波动信号的??能量密度矩阵，对该矩阵进行伪彩色映射即可获得风机增速箱非平稳信号之语谱。??最终，通过对该风机增速箱两种故障信号的处理分别获得了其高速级平行轴系大??齿轮断齿和中速级平行轴系小齿轮磨损运行状态下的语谱图如图３－２、３－３所示。??｜ＩＳ＿：，??沐?ＨＩ?Ｉ?１ＨＨＨ?｜｜｜Ｈ??２０００?嘱??Ｂ?－６０??０．０５?０．１?０．１５?０．２?０．２５?０．３?０．３５??时间／ｓ??图３－２高速级平行轴系大齿轮断齿语谱图??４〇〇〇?１＾??獅?ＲＭＰＭＰｍ＾ｌ＾ｐｍＢＥＱＰＨ?卜’??，Ｉ?－７０??〇?１蠭’＾＾?ｌ?＆＿＿－１＊?？簾求＇?上＿＿？－?＇＾＊－?＾?＾?ｒｖｉ??０．０５?０．１?０．１５?０．２?０．２５?０．３?０．３５??时间／ｓ??图３－３中速级平行轴系小齿轮磨损齿语谱图??由于高速级平行轴系大齿轮断齿故障在风机行星齿轮箱的运行中会产生较??大的冲击，由图３－２可以看出，在０？１００００／／ｚ纵坐标范围内都可以观察到很强??２４??


本文编号：3126610