为了研究细高齿齿轮的振动特性,以一对标准齿齿轮和细高齿齿轮为对比研究对象,建立直齿轮传动系统平移-扭转动力学模型;采用有限元方法求解细高齿齿轮的时变啮合刚度,分析了负载对刚度的影响规律;通过Newmark-β时间积分法计算齿轮的振动响应,对比标准齿齿轮和细高齿齿轮传动系统的轴承动载荷及齿轮啮合激励,求解了不同转速下两对齿轮系统的输入、输出轴承动载荷。结果表明,细高齿齿轮啮合为两齿-三齿交替接触,刚度变化减弱;轴承动载荷波动幅值较标准齿大幅降低,啮合频率及其倍频幅值明显下降,轮齿间啮合力减小。

针对齿轮箱故障诊断需要大量专家经验知识、人工提取特征困难的问题,提出基于特征差异性学习卷积神经网络(FDLCNN)的故障诊断方法。构建不同深度的多尺度网络,并引入残差模块,以提升网络的特征提取能力;提取一维时序信号中不同尺度不同深度的故障特征,再通过自适应平均池化层处理后进行特征融合,以丰富智能诊断决策信息;最后在全连接层实现特征降维,使用Softmax分类器输出诊断结果。利用10种齿轮箱故障状态实验数据与现有3种方法进行对比分析,结果表明:FDLCNN故障识别精度更高,鲁棒性更强,收敛速度更快。

基于故障因素对行星齿轮系统动态特性的影响,用赫兹接触理论,在考虑齿面接触刚度特性的条件下引入弯曲刚度,建立新的传动系统动力学模型。利用扭簧刚度变化分别引入太阳轮裂纹和断齿2种故障因素,分别模拟了行星齿轮传动系统在不同故障因素影响下的运转状态。通过分析动载荷谱、太阳轮浮动轨迹研究故障因素对行星齿轮传动系统动态特性的影响。结果表明:太阳轮出现裂纹故障时,太阳轮浮动轨迹随着裂纹的加深逐渐扩大;在经过裂纹轮齿时,行星轮与内齿圈啮合力振幅少量增加;太阳轮出现断齿故障时,太阳轮浮动轨迹在啮合处发生瞬时大幅度偏移;行星轮与内齿圈啮合力振幅较大,在频域图的低频区域出现大量边频带;故障因素对传动系统的影响随工况条件的改变而变化。

主成分分析(PCA)法在特征融合过程中未考虑特征之间特性对分类识别的影响,导致降维后特征无法正常有效分离,因此提出预筛选PCA方法以提取信号的时域特征、频域特征。利用相关系数法可有效区分对象之间的相互关系,先去掉不利于分类的特征,然后对新得到的矩阵进行PCA降维,把时域特征及频域多特征转化为综合性的评价指标,以获得更好的分类效果。结果表明:该方法的特征分离效果更好。研究结果有利于提高PCA分类识别准确率。

轴承故障诊断环境复杂、影响因素多,导致特征高维化成为一个技术难题,采用核主成分分析法(KPCA)进行高维特征降维取得了一定成效,但KPCA未考虑特征间的相似性对计算复杂度以及分离效果的影响,对提高计算实时性和有效性以及提升分类效果形成了限制。为此提出了基于K均值聚类算法和KPCA方法的聚KPCA方法。利用均值聚类算法的思想对所提取的时、频域特征中的相似特征进行聚类,降低后续KPCA计算的复杂度,再用KPCA对聚类后的特征进行降维,将高维特征映射到一个类别可分度较高的特征空间。利用正常、内圈故障、外圈故障、滚动体故障4种轴承状态信号特征对聚KPCA方法进行验证,结果表明:与KPCA方法相比,所提出的聚KPCA方法具有更好的降维分离效果和较强的鲁棒性。

信噪比低和源信息的缺失是造成早期微弱故障难以准确判定的主要因素,针对以此问题,提出一种双矢时域变换(dual vector time-time domain transform,简称DVTD)的方法,用于完备和凸显齿轮早期微弱故障特征.方法借用全矢原理实现相互垂直的双通道振动信号的融合,保证双矢信号源信息的完整.在此基础上,结合双时域变换理论,提取二维时间序列的主对角元素用以构建完整的、故障特征增强的时域振动信号.以风电机组齿轮箱为实验对象,提取表征信号波动强度的小尺度指数作为状态特征,验证了双矢时域变换的微弱故障特征增强特性及其在齿轮早期微弱故障识别中应用的有效性。

针对故障因素对行星齿轮传动系统动态特性影响不明确的问题,采用Hertz接触理论计算齿轮副啮合力的方法,有效的引入了太阳轮缺齿故障因素,建立了行星齿轮传动系统动力学分析模型;模拟系统在太阳轮出现缺齿情况下的工作过程,分析故障因素随着系统输入转速和负载变化对传动系统动态特性的影响。数据表明太阳轮出现缺齿故障时,太阳轮浮动轨迹半径增大;啮合力基频及倍频周围出现边频带,低频区域出现大量低频带;随着转速和负载的增加,各轮齿间啮合力正常波动和冲击幅值均增大。该结果可为行星齿轮传动系统的设计制造、使用监测和故障诊断提供理论依据。

针对风电机组齿轮箱在时变工况下的振动信号具有非平稳特性，提出一种谱峭度和Void—kalman阶比跟踪（Void．kalman Filter Based Order Tracking．VKF—OT）相结合的故障特征提取方法。以转频和啮合频率作为VKF-OT的提取频率。获得随转速变化的阶比信号，通过阶比信号复包络直接求两种频率分量的幅值、相位，经实验分析这种方法能保留齿轮箱的瞬变信息。而后计算两种频率分量的谱峭度，以最大谱峭度对应的频率带能量与原阶比信号总能量之比作为故障特征。最后采用高斯混合模型对风电机组齿轮箱在不同工况下的150组振动信号进行特征描述，运用最大贝叶斯分类器实现故障识别。故障识别率表明该方法可有效地识别任意时变工况下的齿轮早期局部微弱故障。

针对升速过程中转子故障诊断所面临的复杂分析问题,在传统轴心轨迹的基础上提出瞬态倍频轴心轨迹的分析方法。利用Vold-Kalman阶比跟踪方法提取出各故障特征频率;然后将特征频率进行重构,合成随转速变化的瞬态倍频轴心轨迹;利用几何矩方法提取瞬态倍频轴心轨迹的故障特征,并将几何矩特征集进行MDS降维。经实验验证,该方法在转子升速过程中的故障特征提取及诊断方面取得了良好的效果。

针对齿轮在时变工况下的振动具有非线性、非平稳的特性,提出Vold-Kalman阶比跟踪（Vold-Kalman filter based order tracking,简称VKF-OT）和去趋势波动分析（detrended fluctuation analysis,简称DFA）相结合的一种特征提取方法。该方法以齿轮转频和啮频作为VKF-OT的提取频率,获取任意时变工况下的两类阶比信号,减弱或消除转速变化所引起的频率调制干扰,通过求解复包络得到两种频率分量的精确幅值和相位以保留齿轮状态的瞬变信息。在此基础上,引入去趋势波动法分别处理原信号、转频和啮频阶比信号,消除负载变化所产生的幅值调制干扰,对比3种信号的双对数波动函数图,选定齿轮振动信号的特征向量。通过对齿轮不同工作状态下的150组振动信号进行实验,结果表明该方法所提取的故障特征可有效地区分任意时变工况下的齿轮早期局部微弱故障。