齿轮裂纹是机械传动机构容易出现的故障之一,严重的裂纹直接影响齿轮的使用寿命及整个传动系统的安全。基于变分模态分解(Variational Mode Decomposition,VMD)和改进的BP神经网络模型(BPNN),本文提出了一种齿轮裂纹故障诊断方法。首先对齿轮箱振动信号进行VMD分解,得到内禀模式函数(Intrinsic Mode Function,IMF);然后计算各个IMF的均方根和峭度,并选择与齿轮裂纹长度密切相关的IMF的峭度和均方根作为故障特征;最后通过基于遗传算法(Genetic Algorithm,GA)的BPNN模型对得到的齿轮裂纹故障特征进行分类。结果表明,这里提出的故障诊断方法能够准确识别无裂纹、1/4裂纹、1/2裂纹和3/4裂纹的齿轮,在识别精度和计算效率方面具有优异的综合性能。

基于集总参数法,建立太阳齿轮有裂纹状态下的行星齿轮的动力学模型。提出一种考虑轮齿过渡曲线的啮合刚度改进方法,推导齿轮健康状态和裂纹状态下的时变啮合刚度计算方法,在此基础上求解振动响应。仿真结果表明:当齿根出现裂纹时,齿根的振动响应具有明显的冲击响应特征,且可以获得太阳齿轮故障的特征频率和倍频特性。最后将仿真信号与测试信号进行对比,试验结果与仿真结果吻合性较好,验证了所提动力学模型的有效性。

鉴于故障振动信号中瞬态成分提取与噪声环境下显著性语音信息检测的相似性,提出了一种基于听觉注意机制的齿轮裂纹故障特征提取方法。该方法引入听觉显著图计算模型,并结合故障信息的特点进行了改进。通过频带划分与处理、多尺度高斯滤波、显著度计算与整合等步骤,最终以听觉显著图表示故障信号中的瞬态冲击成分。通过齿轮裂纹故障仿真和实测信号实验,验证了所提方法的有效性。

鉴于目前主流齿轮裂纹故障检测方法所存在的局限性(即仅利用系统响应作为研究对象,很少考虑输入对于故障特征提取的作用),并考虑到其作为一种典型非线性系统所蕴含的动态特性,将Volterra级数理论应用于不同状态齿轮啮合传动系统,以充分发挥Volterra级数能够综合利用系统输入、输出数据进行系统非线性特性描述的优势;同时考虑到QPSO算法较高的全局搜索能力,采用该算法对齿轮啮合传动系统Volterra模型进行了时域核辨识。仿真实验结果表明,高阶时域核对于齿轮裂纹故障所引起的系统非线性特性变化非常敏感,可以有效地表征并区分出不同状态下齿轮啮合传动系统的非线性动态特性,达到了预期目的。