论文部分内容阅读
齿轮箱是机械设备的重要组成部分,其在传动系统中主要作用是进行动力传输和转换。齿轮箱在运行期间的安全性和可靠性决定了机械设备的安全性。因此,对齿轮箱的运行状态进行监测和故障诊断具有重要的意义。本文基于变分模态分解方法,以齿轮箱滚动轴承为研究对象,对其出现的故障进行研究,具体的研究内容如下:(1)对比分析变分模态分解(Variational mode decomposition,VMD)与经验模态分解(Empirical mode decomposition,EMD)方法。相较于EMD分解,VMD分解有效避免了模态混叠问题,验证了VMD相较于EMD分解方法在故障诊断方面具有一定的优越性。VMD分解方法的模态数目和惩罚因子参数,会影响振动信号的分解效果。因此,对VMD的参数进行基于遗传算法(Genetic algorithm,GA)和基于传统优化算法优化,通过对仿真信号进行分析,为优化VMD参数方法应用在齿轮箱故障诊断中奠定了一定的理论基础。(2)构建了一种传感器优化布置的齿轮箱轴承故障特征提取方法。提取齿轮箱上箱体模态振型,运用K-medoids算法对节点振型聚类,结合有效独立法初选测点,以模态置信准则(Modal assurance criterion,MAC)为适应度函数,运用遗传算法(GA)寻优,实现传感器位置优化,构建综合评价指标对传感器数量进行评价,以此得到齿轮箱传感器优化布置方案;将传感器布置在上箱体采集齿轮箱振动信号,对各路信号进行奇异值(Singular value decomposition,SVD)降噪,对降噪后信号进行基于方差贡献率的信息融合;对融合信号进行VMD分解,以IMF分量的信息熵最小为原则对VMD参数优化,选取信息熵最小IMF(Intrinsic mode function)分量进行Teager能量谱分析,提取滚动轴承故障特征;通过ZDH-10型齿轮箱故障试验台进行试验验证,结果表明基于传感器优化布置的齿轮箱轴承故障特征提取方法具有一定的可行性。(3)构建了一种优化MCKD-VMD参数的复合故障诊断方法。以滤波后信号的排列熵值最大,对最大相关峭度解卷积(Maximum correlation kurtosis decomvolution,MCKD)方法的参数滤波器长度进行优化,运用优化后的MCKD方法对复合故障信号滤波,使复合故障分离;对VMD分解的模态数目和惩罚因子参数分别进行以IMF分量平均包络谱峭度最大和以平均样本熵值最小为目标的优化,对滤波后信号进行参数优化的VMD分解,得到IMF分量,选择包含故障信息较多的IMF分量进行包络谱分析,提取故障特征;通过对复合故障仿真信号和西储大学滚动轴承复合故障试验信号的分析表明,基于优化MCKD-VMD参数的轴承复合故障诊断方法具有一定的有效性。