针对齿轮-转子-轴承系统发生复合故障时齿轮副振动响应,结合齿轮副模型和滚子轴承模型,基于拉格朗日方程建立了36自由度的齿轮-转子-轴承系统耦合振型,设定齿轮副主动轮剥落和轴承表面损伤复合故障,研究了复合故障下齿轮副的振动响应。结果表明,在健康的齿轮-转子-轴承系统振动响应下,系统振动时域幅值较为均匀,振动频谱主要为轴承外圈特征频率和齿轮副啮合频率;当齿轮副发生剥落单故障时,系统振动频谱上出现啮合频率与转轴频率调制生成的边频带;当齿轮-转子-轴承系统发生复合故障时,系统振动时域上的振动幅值增大,振动愈加复杂,频域信号调制现象严重,而且调制生成的信号幅值增大,但在其振动频域上可以找到其故障频率以及调制生成的谐波频率,以此可以判断系统的故障类型。

轴向柱塞泵是液压动力系统的重要组成部分,由于其发生故障时会产生严重的危害,所以对其进行故障诊断是非常有必要的。然而大量的工程实践表明,轴向柱塞泵往往会同时在不同的部位,以不同的形式表现为复合故障。由于轴向柱塞泵复合故障振动信号的多分量耦合调制特征及特征参数较难确定,所以针对此问题,提出了一种基于格拉姆角差场与深度残差网络相结合(GADF-ResNet)的轴向柱塞泵复合故障诊断方法。首先,对轴向柱塞泵原始振动信号进行了格拉姆角差场(GADF)转换,将其转换为二维数组,将数组以灰度图形式存储,得到了特征样本,并将其分为训练集与测试集,以多标签的方式进行了标记;然后,将样本输入到深度残差网络(ResNet)中,通过前向传播和反向传播方式确定了网络最佳结构和参数;最后,采用实验的方式,通过测试集验证了该模型的可行性和鲁棒性。...

针对强背景噪声干扰下的轴承复合故障难以准确分离提取,噪声与复合故障各成分间相互影响容易造成误诊或漏诊的问题,提出基于变分模态分解(VMD)及最大相关峭度解卷积(MCKD)的复合故障分离方法。首先对复合故障信号进行变分模态分解并根据峭度及相关系数准则重构信号作为前置滤噪处理,然后选取合理的滤波器长度及解卷积周期对重构信号进行最大相关峭度解卷积运算以实现故障特征分离,并结合1.5维能量谱强化信号瞬时冲击特征的优点,准确实现复合故障诊断,最后通过噪源干扰下的外圈、内圈复合故障实测信号分析验证该方法的有效性。研究结果表明VMD方法能够有效滤除噪声干扰,且其滤噪效果比集合经验模态分解(EEMD)方法的滤噪效果好;MCKD方法能够将外圈、内圈故障分离,避免复合故障各成分间的相互干扰;1.5维能量谱能够强化谱图中的瞬时冲击特...

强噪环境下,齿轮箱复合故障中的微弱故障特征难以提取,因此提出了基于多点最优最小熵反褶积（MOMEDA）的复合故障提取方法。首先对最小熵反褶积（MED）和最大相关峭度反褶积（MCKD）两种方法进行改进,以多点峭度最大值为目标,对信噪比不同的仿真信号,通过设置合理的周期区间逐个追踪复合故障的周期成分,验证了此方法降噪性能;然后将MED-MOMEDA应用风电齿轮箱复合故障实验台中,成功提取出复合故障特征;最后用文中所提方法与EEMD对比分析进一步验证了此方法的可行性。

为更精确地研究轴承故障机理,放弃了传统球匀速公转的假设前提,考虑了球与沟道间的相对滑动作用和润滑牵引作用,以Gupta模型为基础建立了单点损伤及复合故障轴承的动力学模型,探索了单点损伤及复合故障对轴承内部接触载荷及轴承振动特性的影响规律,为滚动轴承故障诊断奠定了基础。

由于方法选择不当,齿轮箱中复合故障的特征提取会出现漏诊断或误诊断现象,LMD(Local mean deconvolution)对信号分解时由于噪声影响,会出现EMD(Empirical mode decomposition)相似的模态混叠现象,常导致能量泄漏或误诊现象。提出了一种CPFs-MOMEDA(Combined physical functions-Multipoint optimal minimum entropy deconvolution adjusted)的齿轮箱复合故障诊断方法。首先通过LMD对原信号降噪,得到一系列的PFs,通过相关系数法剔除虚假分量和残余成分;计算每层PF(Production function)的多点峭度,提取故障特征周期,将不含周期性冲击的PFs二次剔除,为了保持原信号的完整性,通过组合乘积函数方法重新组合具有相同周期的PF;最后设定不同的周期区间,通过MOMEDA对组合后的信号降噪,进一步提取故障特征。并将此方法应用在齿轮箱复合故障特征提取中,验证了此方法的可行性。

强噪环境下,复合故障特征提取难度更大,VMD(Variational Mode Decomposition)被大量应用于齿轮箱故障诊断中;但是它属于参数型分解方法,K过大或过小都会导致过分解或欠分解现象,因此分解的层数需要自适应的确定。提出了一种多点峭度和VMD的复合故障特征提取方法。考虑到多点峭度可以提取多故障的冲击性周期的个数;周期性冲击个数决定VMD的分解层数K,通过VMD处理后,进一步通过FFT确定故障特征。所提出的自适应复合故障特征提取方法和EEMD(En?semble Empirical Mode Decomposition)对比分析,验证了它可以克服模态混叠的特征,通过对实测性信号处理进一步确定了此方法的有效性。最终确定了齿轮剥落和轴承滚珠等复合故障特征。

为提高齿轮箱故障诊断的准确性,探寻诊断复合故障的方法,利用混合蛙跳算法优化BP神经网络的参数,构建SFLA-BP算法模型,在一定程度上弥补BP神经网络算法的缺陷。对比发现,该诊断方法具有较高的稳定性和较强的诊断能力,表现出很好的适用性,特别是在诊断复合故障方面具有一定潜力。

针对旋转机械复合故障的不确定性和模糊性,在蚁群神经网络的基础上,引入并行机制改进算法.利用多线程技术增大蚁群的搜索区域,同时采用编码映射匹配法则（EMM）提高匹配效率,缩短蚁群寻路时间,加快算法收敛速率,并对BP神经网络进行优化,结合概率转化（BPA）辅助决策.计算结果表明,合成器对复合故障识别率高,与人类决策一致,对其他模拟进化算法有借鉴意义.

针对液压泵滑靴和斜盘磨损复合故障信号的分离问题,提出了一种基于形态差值算子与特征能量比相结合的方法。首先,将若干种不同长度的结构元素和复合故障信号的形态特征进行匹配,利用形态差值算子提取出若干个信号;其次,分别对上述信号计算两种故障的特征能量比;最后,找出两种故障的最大特征能量比,他们所对应的即为最优匹配结构元素长度,且基于该两种长度的形态差值算子所提取出的两个信号分别为最优分离出的滑靴和斜盘磨损故障信号。通过对实测液压泵复合故障信号的实验验证,表明所提方法能够根据信号形态特征的多样性有效地实现对复合故障信号的最优分离,且比RobustICA方法有效和优越。