论文部分内容阅读
齿轮是机械设备中常见的动力传动装置,一旦发生故障,会直接影响到设备的健康运行,甚至造成重大事故。因此,开展齿轮故障诊断研究具有重要意义。齿轮故障诊断的关键在于提取故障特征信息,而这需要选择合适的信号分解方法,目前常用的信号分解方法有经验模态分解(Empirical Mode Decomposition,EMD)和局部均值分解(Local Mean Decomposition,LMD)等。然而,这些方法仍然存在许多难以解决的问题,故引入新的信号分解方法到齿轮故障诊断研究领域变得尤为重要。自适应最稀疏时频分析(Adaptive and Sparsest Time-Frequency Analysis,ASTFA)是一种新的信号分析方法,该方法将信号分解转化为目标优化问题,以分解所得的单分量个数最少为优化目标,在目标优化的过程中实现信号的自适应分解。本文将ASTFA方法引入到齿轮故障诊断研究领域,并与对称差分能量算子(Symmetric Difference Energy Operator,SDEO)、包络归一化解调(Envelope Normalization Demodulation,END)等方法相结合,用于处理齿轮故障信号,获取故障信息,进行故障诊断。本文主要完成了两个方面的研究:ASTFA方法的理论研究和ASTFA方法在齿轮故障诊断中的应用研究。论文主要研究内容如下:(1)采用ASTFA方法对仿真信号进行分析,分析结果验证了该方法的有效性。此外,揭示了 ASTFA方法的靶向分解特性和高幅值比信号分解特性。(2)针对初始相位函数与带宽参数取值不当会严重减弱ASTFA方法分解能力的问题,提出基于蛾火优化的自适应最稀疏时频分析(Moth-Flame Optimization based Adaptive and Sparsest Time-Frequency Analysis,MFO-ASTFA)方法,该方法采用蛾火优化(Moth-Flame Optimization,MFO)算法寻找初始相位函数与带宽参数的最优取值。仿真分析结果证明了 MFO-ASTFA方法的有效性。(3)针对行星轮系故障信号的调制特点,提出基于MFO-ASTFA和SDEO解调的行星轮系故障诊断方法。采用该方法对行星轮系的故障仿真信号进行分析,结果表明了该方法的有效性。将该方法用于处理行星轮系太阳轮实际局部故障振动信号,结果证明了该方法具有实用性。(4)针对定轴齿轮故障振动信号的调幅调频特性,提出基于MFO-ASTFA和END的定轴齿轮故障诊断方法。采用该方法处理定轴齿轮裂纹和断齿的实际故障信号,实验结果证明了该方法能够对裂纹和断齿故障进行有效诊断。