行星齿轮箱具有结构紧凑、传动效率高、运行平稳等优点,被广泛应用于关键机械装备中。由于恶劣的工作环境,行星齿轮箱易产生齿根裂纹故障损伤且不易被识别,易造成安全隐患。扭转振动信号理论上不受行星架旋转引入的路径调制影响,相比于传统研究中的横向振动信号具有很大的优越性,频率成分简单,易于提取故障特征。为此,以扭振信号为分析对象,提出了一种加窗RMS(Root meam square)时域同步平均技术,实现行星齿轮箱的早期齿根裂纹故障诊断;并搭建故障模拟试验台,验证了该方法的有效性。

针对目前利用优化算法改进的BP神经网络算法对行星齿轮箱进行故障诊断过程中存在的故障识别率低、收敛速度慢和参数选择困难等问题,提出了一种用GA-ACO算法对神经网络参数进行优化的算法。给出GA-ACO-BP算法的基本原理和主要步骤,并将此方法应用到行星齿轮箱的故障诊断中。比较了ACO-BP神经网络算法和GA-ACO-BP算法的性能。结果表明,ACO优化BP神经网络算法对行星齿轮箱的故障诊断收敛速度慢且识别精度不高,而GA-ACO-BP算法能够对行星齿轮箱故障进行准确、快速的诊断和识别。

行星齿轮传动因具有较大的传动比和较高的传动效率而被广泛应用于机械传动系统中。在行星齿轮箱中,太阳轮通常被设置为浮动的,以平衡各行星齿轮之间的负载。但是,太阳轮的浮动设置将导致啮合过程中的压力角、重合度和啮合相位的变化。在以前的研究中,这些参数被近似为常数。为了研究动态参数对行星齿轮箱在不同工况下振动响应的影响,建立了行星齿轮箱集总参数模型,该模型包含时变压力角、时变重合度和时变啮合相位。基于该模型,分析了太阳轮的振动机理,并与恒定参数模型进行比较,揭示了由这些动态参数引起的相位调制规律。通过比较不同负载和转速下的动态响应,研究了不同工况条件下的相位调制。

传统的机器学习方法在行星齿轮箱故障诊断方面存在识别率低、特征提取操作繁琐等问题。为提高行星齿轮箱的诊断效率,提出基于一维深度卷积神经网络(One-dimensional deep convolutional neural network,1-DCNN)的故障诊断方法,将原始信号直接输入到网络中进行诊断。通过对行星齿轮箱行星轮5种故障信号进行训练验证,精度可达100%,且在诊断精度和效率上优于其他常用算法。

为了解决行星齿轮箱故障特征提取困难的问题,考虑到行星齿轮箱振动信号的耦合、非线性的特点,提出基于局域均值分解(LMD)的样本熵和极限学习机(ELM)结合的行星齿轮箱故障诊断方法。首先,利用局域均值分解方法将振动信号自适应地分解为多个PF分量,结合相关系数选取包含主要故障信息的前4个PF分量。其次,应用样本熵方法进行计算,组成特征向量。最后,将特征向量输入极限学习机进行故障分类。在行星齿轮箱实验台上进行了实验,与基于概率神经网络(PNN)分类算法进行了对比,并与基于奇异值分解(SVD)构成的特征向量进行了对比,结果验证了该方法的有效性。

针对行星齿轮传动系统典型故障的识别,提出一种基于信号混合特征和混沌果蝇优化算法-广义回归神经网络(CFOA-GRNN)的故障诊断方法。计算信号的几种典型时域统计特征,并通过小波包分解获取信号频域能量特征,得到信号混合特征向量作为广义回归神经网络(GRNN)的输入;采用混沌扰动改进的果蝇优化算法对GRNN进行参数寻优,构建最优诊断模型;利用采集的行星齿轮箱实验台不同工况数据进行实验和对比。结果表明:所提方法能够有效识别不同工况下齿轮箱的不

针对行星齿轮箱振动响应,建立考虑齿圈螺栓约束的行星齿轮箱振动信号模型。基于集总参数模型,求解各部件的振动位移,计算内齿轮副的啮合力;将带螺栓约束的齿圈简化为欧拉-伯努利梁,通过求解梁的振动建立齿圈上任意点的振动信号。基于所建立的信号模型,分析振动信号的传输机制、振幅调制和重叠现象,以及螺栓约束对齿轮箱振动的影响,最后通过实验验证了新方法的合理性。该新模型不需要考虑所选振动部件的窗函数和权值,可以有效避免人为干扰

针对行星齿轮箱振动信号故障特征提取困难的问题,提出了一种基于EMD-SVD与概率神经网络相结合的故障诊断方法。首先,利用经验模态分解方法将去噪后的振动信号自适应地分解为多个本征模函数。其次,利用相关系数和方差贡献率选取一定量的本征模函数,并将其构成的矩阵进行奇异值分解得到特征向量。最后,将特征向量输入概率神经网络进行故障诊断。在行星齿轮箱故障诊断实验台上进行了实验,并与基于能量熵构成的特征向量进行了对比,结果验证了该方法的有效性。

针对行星齿轮箱振动信号复杂时变调质特点使其＂难表征＂,致使据此构建的状态辨识模型精度低的问题,提出一种基于总体局部均值分解（Ensemble local mean decomposition,ELMD）的能量熵与人工鱼群算法（Artificial fish swarm algorithm,AFSA）寻找支持向量机（Support vector machine,SVM）最优核函数系数组合的行星齿轮箱关键部件的状态辨识方法。首先,利用ELMD分解经形态平均滤波的行星齿轮箱关键部件的振动信号来获取若干窄带乘积函数（Product function,PF）。然后,计算其能量熵来构建高维特征向量集。最后,将其作为输入,通过训练学习建立AFSA优化SVM的行星齿轮箱关键部件状态辨识模型。实验结果表明,所提方法能凸显原信号中的有效故障成份,提高了模型的状态辨识精度。

针对非线性、非平稳的行星齿轮箱振动信号故障特征"难提取"和基于核参数随机生成的高斯核极限学习机状态辨识模型分类精度低的问题,提出一种改进多尺度排列熵(Enhence Multi-scale Permutation Entropy,EMPE)与核极化高斯核极限学习机(Kernel Extreme Learning Machine,KELM)结合的行星齿轮箱状态辨识方法。首先,将经由形态平均滤波的行星齿轮箱行星齿轮的振动信号,借助于EMPE来获取多尺度下的排列熵值(Permutation Entropy,PE)构建高维特征向量集;其次,利用核极化(Kernel Polarization,KP)优化高斯核极限学习机的核参数σ;最后,将EMPE特征向量集作为输入,通过KP优化KELM算法的训练建立行星齿轮状态辨识模型。实验结果表明,与基于SVM和KELM的状态辨识模型相比,基于EMPE和KP-KELM的行星齿轮故障诊断方法具有更高的分类精度。