行星齿轮箱的诸多传动优点使其越来越广泛地被应用于诸多机械设备中,其振动响应比定轴齿轮箱更为复杂,相应的动力学模型建立及故障诊断成为近年来的研究难点和热点。目前对行星减速轮系的建模分析大多都是建立在正常状态下,缺乏对故障状态下的行星轮系建模研究;对行星轮系进行故障特性分析时,缺乏振动机理方面的研究。针对现有研究的不足,建立了考虑振动传递路径时变效应的行星齿轮系统动力学模型;推导了太阳轮断齿故障下的时变啮合刚度表达式,通过对行星齿轮系统动力学模型的求解,分析得到了太阳轮断齿时系统的频谱响应特性;最后通过试验信号的对比,验证了动力学模型分析结果的准确性。

针对行星齿轮传动系统复合故障特征提取问题,以行星齿轮箱的运行状态为研究背景,建立了考虑路面随机激励下的行星齿轮箱复合故障动力学模型,利用多尺度排列熵对齿轮箱正常、断齿故障和复合故障时的振动信号进行了对比分析,通过对处于不同状态的行星齿轮箱进行分析,发现行星齿轮箱正常振动信号的多尺度排列熵值要高于单一断齿和复合断齿故障信号,熵值平均高出约5.3%,单一断齿的多尺度排列熵高于复合断齿故障信号,熵值平均高出约7.4%。研究结果证明,多尺度排列熵可以有效地诊断多排行星齿轮系统的故障类型。

针对行星齿轮箱的故障诊断问题,提出一种参数优化数学形态谱和支持向量机的行星齿轮箱故障识别方法。该方法考虑形态谱参数选择对同型故障一致性和不同故障差异性的影响,通过相对误差指标值的大小选择形态谱最优参数,对形态谱参数进行优化选择,提取故障特征,并采用支持向量机完成行星齿轮箱故障的故障识别。相较传统行星齿轮箱故障诊断而言,该方法对形态谱参数进行了定量分析,且无需复杂数学建模,和频率成分分析,简化故障识别过程。为了验证该方法的有效性,对行星齿轮箱试验台信号进行了分析实验,结果表明了该方法可有效地识别齿轮故障类型。

针对行星齿轮箱振动信号维度高,传统故障诊断方法识别精度低的问题,提出一种基于局部切空间排列算法(Local Tangent Space Alignment,LTSA)和深度置信网络(Deep Belief Network,DBN)的行星齿轮箱故障诊断方法。首先,利用PCA算法预估高维数据的内在维度,确定目标数据的内在维数;其次,根据目标数据的内在维数结合LTSA算法对高维数据集进行约简,并划分测试集和训练集;最后,利用训练集训练DBN模型参数,获得行星齿轮箱故障辨识模型,并将测试集输入辨识模型实现行星齿轮箱故障辨识。实验结果表明,所提方法实现高维数据降维的同时,也提升了智能诊断模型的分类精度。

针对行星齿轮箱早期故障信号微弱且受强背景噪声影响,致使故障信号特征频率难提取,通过自适应最大峭度解卷积(MCKD)和变分模态分解(VMD)进行早期故障特征提取。首先,利用变步长搜索,以峭度值为评判标准,搜索最优滤波器长度L;然后,将信号通过优化后的自适应MCKD算法降噪;最后,利用VMD分解降噪信号,通过包络谱进行分析,寻找故障特征频率。经仿真信号和实验信号验证,这里所提方法能够有效地提取出强噪声背景下的行星齿轮箱故障特征。

为了解决源域和目标域之间存在联合分布差异,提出了一种基于软连接最大均值差异的域自适应齿轮箱故障诊断方法。首先提出了一种域自适应Y网模型,用于提取跨源域和目标域的域不变深度特征,解决域自适应问题。然后通过软联合最大均值差异来驱动传输过程,从而模拟源域和目标域之间的分布差异。进一步引入SE-RES模块,增强了稀疏特征提取的双连接卷积流水线,并提出了一种考虑类权重偏差的软联合最大均值差异度量。最后通过两个行星齿轮箱数据集进行实验验证,结果证明提出的方法实现了不同行星齿轮箱在不同工况下的域自适应故障诊断。

针对行星齿轮箱振动信号成分复杂、非平稳、非线性的特点,提出一种基于变分模态分解(VMD)能量熵和隐马尔科夫模型(HMM)的故障识别方法。利用VMD算法对不同故障类型的齿轮振动信号进行分解,提取经信号分解得到的各阶本征模态函数(IMF)的能量熵。基于不同故障类型的各IMF分量能量熵在分布上的各异性,将其集合作为故障识别的特征向量。利用不同故障类型的特征向量组成的训练集训练HMM,计算最大对数似然概率值,用于判断测试样本的故障类型。利用该方法对一定转速下行星轮的3种故障进行识别,结果表明:当载荷不同时,它对行星轮齿根裂纹、断齿和齿面磨损3种故障的平均识别率可达到95.83%。

行星齿轮箱振动信号中的故障特征通常淹没在噪声信号中,因此有必要研究如何提取这些微弱故障特征。针对传统奇异值分解特征提取方法中不能自动选择有效奇异值数目的问题,提出了一种基于自适应奇异值分解的行星齿轮箱故障诊断方法。首先根据一定的条件,通过该方法选择几个不同的有效奇异值数目并得到几组不同的重构信号;再根据这些重构信号的偏态绝对值,自动选择最佳的重构信号;最后进行包络分析,得到故障信号的包络谱。仿真和实验对比结果表明,此方法相比于传统的奇异值分解特征提取方法,能够更好地在消除噪声和提取行星齿轮箱振动信号中的微弱故障特征。

针对行星轮轴承振动信号的传递时变路径,且行星轮轴承振动信号常被齿轮啮合振动信号所湮没等问题。提出了一种基于自参考自适应消噪的行星轮轴承内圈故障诊断方法。用自参考自适应消噪技术(SANC)、AR模型预白化等预处理技术以削弱齿轮啮合振动信号的干扰;基于谱峭度(SpectralKurtosis,SK)自适应求解共振带参数;采用Hilbert变换提取平方包络信号;对包络信号进行谱分析。试验结果表明该方法可以有效地揭示行星轮轴承内圈的故障特征信息。

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。