面向風(fēng)電齒輪箱的角域振動(dòng)信號(hào)處理與故障診斷方法研究.pdf

1、由于風(fēng)力的波動(dòng)性以及風(fēng)向的不定性，運(yùn)行于變轉(zhuǎn)速工況下風(fēng)電齒輪箱的振動(dòng)信號(hào)表現(xiàn)出典型的非平穩(wěn)性，其處理與分析對(duì)于風(fēng)電齒輪箱的狀態(tài)監(jiān)測(cè)與故障診斷具有重要意義。針對(duì)實(shí)際風(fēng)電齒輪箱故障損傷試驗(yàn)研究困難這一現(xiàn)狀，本文在國(guó)家自然科學(xué)基金項(xiàng)目（編號(hào):51375433）的資助下，按照功率縮小、結(jié)構(gòu)與功能相似的原則搭建了風(fēng)電齒輪箱模擬試驗(yàn)臺(tái)，以進(jìn)行風(fēng)電齒輪箱非平穩(wěn)振動(dòng)信號(hào)處理與故障診斷方法的探索性研究。在試驗(yàn)臺(tái)上，以模擬風(fēng)電齒輪箱高速級(jí)的一級(jí)平行軸增速箱

2、為試驗(yàn)研究對(duì)象，對(duì)其關(guān)于參考軸（輸出軸）轉(zhuǎn)角的角域振動(dòng)信號(hào)進(jìn)行了階次譜分析;提出了基于S變換的角域周期性沖擊特征識(shí)別與提取方法;針對(duì)風(fēng)電齒輪箱在使用壽命后期與前期分別采用的徑向基函數(shù)(RBF)神經(jīng)網(wǎng)絡(luò)與支持向量機(jī)(SVM)智能故障診斷方法進(jìn)行了研究，其重點(diǎn)在于故障特征向量的提取與基于遺傳算法的故障診斷模型參數(shù)優(yōu)化。
　　為實(shí)現(xiàn)時(shí)域振動(dòng)信號(hào)的等角度間隔重采樣，從而得到角域振動(dòng)信號(hào)，引入了計(jì)算階次譜分析方法，其主要包括重采樣時(shí)間點(diǎn)的計(jì)

3、算以及對(duì)應(yīng)幅值的插值計(jì)算。針對(duì)平行軸增速箱在轉(zhuǎn)速以正弦曲線變化的運(yùn)行工況下，對(duì)其正常狀態(tài)以及小齒輪輪齒局部磨損、局部斷裂、大齒輪輪齒完全磨損與完全斷裂這4種故障狀態(tài)對(duì)應(yīng)的角域振動(dòng)信號(hào)進(jìn)行了階次譜分析。
　　采用RBF神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)風(fēng)電齒輪箱在使用壽命后期的智能故障診斷，并針對(duì)網(wǎng)絡(luò)隱含層各個(gè)節(jié)點(diǎn)中心向量的確定，首先采用了K-均值聚類算法。然后在試驗(yàn)研究過(guò)程中，針對(duì)平行軸增速箱在正常以及前述4種故障狀態(tài)下的角域振動(dòng)信號(hào)，提取出了能夠充分

4、反映增速箱故障狀態(tài)信息的角域和階次域故障特征參量，由此組成的故障特征向量作為訓(xùn)練樣本和測(cè)試樣本，分別對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練與分類性能測(cè)試。最后為了提高網(wǎng)絡(luò)的分類準(zhǔn)確率，采用實(shí)數(shù)編碼的遺傳算法對(duì)網(wǎng)絡(luò)隱含層各個(gè)節(jié)點(diǎn)的中心向量進(jìn)行了優(yōu)化。
　　利用S變換對(duì)風(fēng)電齒輪箱在故障損傷狀態(tài)下的角域振動(dòng)信號(hào)進(jìn)行譜分析，以檢測(cè)其中的角域周期性沖擊特征。而為了抑制角域振動(dòng)信號(hào)中的噪聲干擾，突出沖擊特征，對(duì)角域振動(dòng)信號(hào)的S變換譜分別迸行了算法平均化與幾何平均化處

5、理。
　　針對(duì)風(fēng)電齒輪箱在故障損傷狀態(tài)下的角域振動(dòng)信號(hào)，提出了基于S變換譜降噪的角域周期性沖擊特征提取方法。在S變換譜的奇異值分解(SVD)降噪過(guò)程中，以譜系數(shù)矩陣作為SVD處理所需的數(shù)據(jù)矩陣，利用奇異值差分譜來(lái)確定奇異值序列的置零閾值，最后將降噪后的譜進(jìn)行S逆變換，重構(gòu)得到角域的沖擊特征。在S變換譜的閩值收縮降噪過(guò)程中，采用步長(zhǎng)迭代算法估計(jì)最優(yōu)閾值，并對(duì)譜系數(shù)按照模值大小分別以硬閾值函數(shù)、軟閩值函數(shù)進(jìn)行收縮，最終同樣將降噪后的譜

6、經(jīng)S逆變換重構(gòu)得到角域沖擊特征。
　　采用SVM實(shí)現(xiàn)風(fēng)電齒輪箱在使用壽命前期的智能故障診斷。作為試驗(yàn)研究，首先利用S變換譜算術(shù)平均化方法，針對(duì)平行軸增速箱在正常以及前述4種故障狀態(tài)下的角域振動(dòng)信號(hào)分別構(gòu)建了標(biāo)準(zhǔn)S變換譜。然后利用各狀態(tài)下角域振動(dòng)信號(hào)的S變換譜與5幅標(biāo)準(zhǔn)譜之間的余弦相似度和相關(guān)系數(shù)組成故障特征向量，以此作為訓(xùn)練樣本和測(cè)試樣本，分別對(duì)由5個(gè)二分類SVM組成的5分類SVM進(jìn)行訓(xùn)練與分類性能測(cè)試。最后采用遺傳算法對(duì)各個(gè)二分