基于数据驱动的故障诊断方法已被广泛应用于旋转机械零部件故障诊断领域。目前,大多数诊断方法主要依赖于定长数据分割产生的大量数据,但分割的数据通常为短周期的小片段信号,而实际长周期冗余信号由于数据尺度不匹配,无法直接作为测试样本进行故障识别。针对以上不足,提出了一种新的基于数据概率密度与一维卷积神经网络(Data Probability Density and One-Dimensional Convolutional Neural Network,DPD-1DCNN)的故障诊断方法,其具有两个特点①提取信号的密度特征可抵抗数据的冗余;②适应不同长度的冗余信号可作为诊断模型的输入。该方法采用DDS试验台产生的行星齿轮箱故障数据进行了验证;其在保证高诊断精度的同时,又增强了诊断模型的适应性。

针对行星齿轮箱实际工况中存在多种频率耦合无法直接提取故障特征频率的问题,提出一种基于樽海鞘群算法优化变分模态分解(SSA-VMD)结合2.5维谱的故障诊断方法。运用SSA优化VMD的参数;运用自相关系数对分解信号进行重构,降低噪声的干扰;最后运用2.5维谱对重构信号中的频率耦合进行解耦运算。搭建行星齿轮箱磨损故障全生命周期实验台采集振动信号,运用提出的方法解耦出参与耦合的故障频率成分,揭示了行星齿轮箱磨损故障演化规律。

行星齿轮箱由于行星轮的行星运动导致其振动传递路径存在时变性,其振动响应与常规定轴齿轮箱振动响应有着本质的区别,传统的同步平均并不能直接应用于行星齿轮箱。为解决该问题,国外发展了可有效克服行星齿轮箱变传递路径的加窗同步平均法,详细论述了基于振动分离信号构建和同步平均的行星齿轮箱轮齿裂纹故障特征提取的原理及其实现。该方法首先验证齿轮的啮合齿序特征,根据齿序特征选择合适的窗函数对信号进行加窗截取,再根据重排齿序和加窗截取信号构建目标齿轮振动信号,最后对振动分离信号进行同步平均。行星齿轮箱齿根裂纹故障实测信号分析表明,该方法能有效的对行星齿轮箱进行故障特征提取。

行星齿轮箱由于振动传递路径的时变性导致行星齿轮箱振动信号频谱具有复杂的调制边带,其包含了齿轮的故障信息。结合行星齿轮箱振动分离信号的同步平均和窄带解调法,提出了针对行星齿轮箱的窄带解调方法。对行星齿轮箱振动信号加窗截取,根据行星齿轮箱齿轮啮合齿序特征,将加窗截取信号拼接重构单个齿轮的振动分离信号,克服传递路径时变性的影响;对振动分离信号进行时域同步平均,提高信噪比;最后,对平均后的信号进行窄带解调,提取行星齿轮箱齿轮故障特征和故障位置。通过行星齿轮箱故障实验分析,验证该方法能有效的提取行星齿轮箱故障特征。

行星齿轮箱的运行状态对直升机飞行安全非常重要。行星齿轮箱常工作在恶劣的条件下,容易出现磨损或疲劳裂纹等故障。为实现基于扭振信号的行星齿轮传动故障诊断,采用基于增量式编码器的扭振信号测量方法,分别测量了输入轴和输出轴的扭振信号,并分析对比了信号对齿轮故障的敏感性,结果表明,输入轴信号较输出轴信号能更准确地诊断故障。分析比较了负载对信号的影响,认为在重载情况下输出轴扭振信号比输入轴扭振信号对故障特征更加敏感。

针对行星齿轮箱模态试验下多自由度、低频、密频的模态参数识别问题,提出一种将经验模式分解(Empirical Mode Decomposition,EMD)与能量算子(Energy Operator,EO)相结合的模态参数识别方法。为了定阶模态和满足能量算子对单分量的要求,采用EMD方法将振动信号分解成多个固有模式函数(Intrmsic Mode Fimction,IMF)。对各个IMF利用高阶能量算子估算频率,计算各IMF与原信号的相关性并根据频率判断阶次及去除虚假分量。由于阻尼比本质就是反映能量衰减,而能量算子能够追踪系统能量,结合二者提出半周期能量算子法估算模态阻尼比。分析了仿真信号和模态试验信号,并与传统方法进行对比分析,实验结果表明,该方法能有效提取行星齿轮箱各阶次的模态参数,验证了方法的有效性与可行性。