论文部分内容阅读
行星齿轮箱由于传动比大和承载能力强的优点,已广泛应用于航空航天、能源和重工业领域,如直升机、风力发电机和重型卡车等。行星齿轮箱传动结构复杂并具有独特的工作特性,工作时不同相位齿轮啮合的振动相互耦合;从齿轮啮合点到齿轮箱外壳上的传感器有多条振动传递路径,齿轮箱上的负载也增大了非线性传递路径的影响。这些因素使得行星齿轮箱故障特征提取困难,对其的故障诊断难度增加。本文以行星齿轮箱为研究对象,使用自适应噪声完备总体经验模态分解(CEEMDAN)作为信号分析方法,引入样本熵算法作为特征提取方法,使用自适应局部邻域结构人工鱼群算法(ALNAFSA)优化BP神经网络(ALNAFSA-BP)对行星齿轮故障模型进行了识别。本文首先介绍了本课题的研究背景和意义,介绍了行星齿轮箱故障诊断技术的国内外研究现状以及人工鱼群算法的研究现状。随后阐述了经验模态分解(EMD)及三种白噪声改进经验模态分解方法,并对其进行了仿真实验验证,结果显示CEEMDAN算法避免了分量模态混叠,同时还有着较小的重构误差;然后引入了样本熵算法,设计了一种基于CEEMDAN及样本熵的特征提取方法,实验分析得知该方法有效。然后论述了人工鱼群算法及其改进模式,包括算法中的参数设置及寻优行为。之后搭建了行星齿轮箱实验台,采集了五种工况下的振动信号,并用CEEMDAN方法对信号做了对比分析。最后将自适应局部邻域结构人工鱼群算法与BP神经网络结合,优化了BP神经网络的初始权值和阈值,构建了ALNAFSA-BP模型;利用CEEMDAN和样本熵相结合的方法对行星齿轮箱振动信号完成了特征提取;利用ALNAFSA-BP模型对行星齿轮的磨损、裂纹及复合故障进行了识别诊断。结果表明:ALNAFSA-BP在行星齿轮箱故障诊断中取得了良好的效果,提高了识别的准确率。