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。

提高智能制造过程中微铣削刀具状态监测的精度和效率,提出了一种基于经验模态分解(Empirical Mode Decomposition,EMD)和BP神经网络-遗传算法(Back-Propagation Neural Networks-Genetic Algorithm,BPNN-GA)的微铣刀磨损预测方法。在此方法中,首先对微铣削振动信号进行EMD分解,提取各个IMF分量的均值、均方根、峭度、偏态作为微铣刀磨损特征。然后通过相关性分析选择与微铣刀磨损特征密切相关的特征,并选择相互之间相关度最小的几个特征作为微铣刀磨损特征,这样既保证了特征对于研究对象的灵敏度,又保证了特征之间的独立性,不会造成信息冗余。最后利用BPNN-GA模型进行特征分类,实现微铣刀磨损的预测。结果表明,本文提出的微铣刀磨损预测方法能够准确识别各种磨损状态,可以为其它刀具状态监测方法提供必要的理论基础和实践意义。

为了提取齿轮裂纹故障的特征参数并识别不同裂纹深度齿轮的类型,以单级齿轮箱中的圆柱齿轮为实验对象,采集3种不同裂纹深度齿轮的振动信号。对采集到的信号进行时频域分析和EEMD分解,分别提取时域特征参数和EEMD能量特征参数,分析和构造齿轮裂纹故障特征向量,选用基于径向基核函数的支持向量机分类方法进行不同裂纹深度齿轮的识别。结果表明:结合时域特征参数和EEMD能量特征参数构造的齿轮裂纹故障特征向量能准确识别不同裂纹深度齿轮的类型。

针对螺栓出现松动故障信号产生非线性、非平稳的现象,提出一种基于VMD与LSSVM模型相结合的螺栓松动状态识别方法。搭建螺栓松动实验平台采集螺栓松动状态下4种工况的振动信号;利用VMD分解对螺栓松动状态各个工况下的振动信号进行分解,并计算VMD分解后各模态分量的能量熵,最后以各工况下VMD分解的各模态分量能量熵为特征构造特征向量矩阵,通过LSSVM模型进行训练与状态识别。实验结果表明:该方法可以有效的识别出的螺栓松动状态,并通过与EMD-LSSVM模型进行对比,验证了该方法用于螺栓松动状态识别的有效性、可行性与相较其EMD分解方法的优越性。

为了识别不同裂纹深度的故障齿轮,以齿轮传动系统中的直齿圆柱齿轮为研究对象,采集3个已预设不同裂纹深度的齿轮和1个无裂纹齿轮的振动信号。对采集到的振动信号先进行时频域分析和EMD分解,再提取不同维数的能量故障特征向量,采用基于径向基核函数的算法分别建立SVM模型并进行不同裂纹深度齿轮的识别和识别率比对。结果表明:选择合适维数的能量故障特征向量,结合EMD信号分解和SVM模式识别方法能准确识别不同裂纹深度齿轮的类型,为齿轮裂纹故障的早期诊断提供参考。

齿轮的裂纹故障不仅影响机械系统的整体性能,还会导致机器损坏,因此,研究了齿轮裂纹长度的故障诊断方法。以多传感振动信号为研究对象,将小波包各个频段的能量比系数作为齿轮裂纹的故障特征,并通过改进的神经网络模型进行特征分类,实现齿轮裂纹长度的故障诊断。研究结果表明:所提出的故障诊断方法识别率高(97.5%),通用性好,能有效辨识不同工况下的齿轮故障。

针对故障滚动轴承的振动信号具有非线性、非平稳的特点,提出一种基于时域指标、小波包能量和最小二乘支持向量机(LSSVM)的轴承故障诊断方法。分别对滚动轴承的原始信号进行时域分析计算和小波包分解,并提取状态差异较明显的时域指标和小波包分解后能量差异较大的小波包能量作为故障特征向量;将含有多个特征向量的数据样本分为训练样本和测试样本并进行归一化处理;训练样本作为LSSVM的输入来对该模型进行训练,通过训练好的LSSVM模型对测试样本进行分类和诊断。实验结果表明:采用该方法,轴承状态总体识别率为97.5%。

机车牵引座的安全可靠性对机车运行的安全性起到重要作用,因此对机车牵引座状态识别研究具有重要的经济价值和社会意义。为了开展牵引座的正常、小裂纹、大裂纹等3种状态识别研究,搭建机车牵引座的模拟实验台,用加速度传感器采集不同状态的振动信号,对原始数据进行时域特征提取,并进行集合经验模态分解(EEMD)提取时频域特征,采用K邻近算法(KNN)进行牵引座状态识别。实验结果表明:基于EEMD-KNN模式识别方法能对机车牵引座状态进行有效识别,识别率达到83.3%;而且添加时域特征之后的识别率更高一些,识别率达到90.5%。

为了在线监测与识别汽车水泵轴承的故障类型,以WR3258152型汽车水泵轴承为研究对象,分析了其内部结构和常见故障。根据常见故障,预设了汽车水泵轴承的4类缺陷。在搭建的信号采集实验平台上,利用加速度传感器,分别采集了4类缺陷轴承在运转过程中的振动信号。利用Matlab软件对振动信号进行快速傅立叶变换和频域特征值计算,选用径向基核函数和粒子群参数优化方法建立支持向量机模型,并进行测试验证,结果表明：支持向量机分类方法能精确识别汽车水泵轴承常见的4类缺陷。为汽车水泵轴承的在线监测与故障诊断提供了参考。

汽车发动机前端附件 驱动(Front end accessory drive, 简称FEAD)系统的动力学特性直接影响汽车的噪声(Noise) 、 振动(Vibration)和声振粗糙度(Harshness) ,进而影响汽车的安全性和舒适性。建立了考虑发电机超越皮带 轮(Overrunning alternator pulley, OAP)影响 的FEAD系统的非线性旋转振动模型。分析了OAP对FEAD系统动态特性的影响,得到了OAP系统刚度对张紧轮角度波动、带 段B 1和B 3 动态张力的影响。研究为FEAD系统和OAP的优化设计提供了必要的理论依据和实践指导。