齿轮故障的文献综述

最新推荐文章于 2024-07-09 19:21:49 发布

我不是哆啦A梦

最新推荐文章于 2024-07-09 19:21:49 发布

阅读量314

点赞数 2

分类专栏：故障诊断文章标签：支持向量机算法机器学习人工智能

本文链接：https://blog.csdn.net/qq_57074184/article/details/131494796

版权

故障诊断专栏收录该内容

13 篇文章 10 订阅

订阅专栏

齿轮作为常用的传动零部件，其故障的发生将直接影响生产效率和经济效益。因此，综述了一些有关齿轮故障诊断的文献。

文献[1]针对行星齿轮箱特征提取困难的问题，提出一种基于参数优化变分模态分解与多域流形学习的故障诊断方法。首先，利用樽海鞘群优化算法（SSO）确定变分模态分解算法（VMD）的二次惩罚因子和分解层数两个参数值，通过SSO-VMD对信号进行分解和重构，减低噪声的干扰；然后，从多域提取故障特征，并采用改进监督型自组织增量学习神经网络界标点等度规映射（ISSL-Isomap）算法进行降维处理，获得低维故障特征；最后，采用人工蜂群优化支持向量机（ABC-SVM）多故障分类器进行诊断识别。实验证明故障的识别率达到100%，能够有效识别出行星齿轮箱的各种工况类型。

文献[2]列举出风机齿轮传动系统一些常见故障，如图1-1所示。

文献[3]统计齿轮箱中各零件的失效比例如表1-1所示，常见动态齿轮故障的发生比例如表1-2所示。

**表1-1 齿轮箱中各零件的失效比例[3]**
失效零件	齿轮	轴承	旋转轴	箱体	紧固件	油封
比例	60%	19%	10%	7%	3%	1%

**表1-2 常见动态齿轮故障的发生比例[3]**
齿轮故障类型	断齿	点蚀	磨损	划痕	其他
比例	41%	31%	10%	10%	8%

文献[4]针对齿轮故障的非线性、非平稳性特点和单个分类器在故障诊断中准确率低的问题，提出了一种基于变分模态分解（VMD）和随机森林（RF）的齿轮故障识别方法。采用VMD分解对齿轮振动信号处理，得到有限个模态分量，计算其能量熵，构建高维特征向量输入随机森林分类器中，对齿轮进行分类故障识别。实验结果表明，与支持向量机（SVM）识别方法相比，VMD-RF方法具有较强的学习能力和较高的诊断精度。

文献[5]提出一种基于自适应精细复合多尺度散布熵（ARCMDE）特征的行星齿轮裂纹故障识别方法。首先采用VMD对信号进行降噪预处理；然后提出特征重合度及其计算公式，评价多个状态样本的均值标准差之间的重叠交叉情况，利用特征重合度选择较好地若干尺度构建特征向量；最后结合粒子群优化（PSO）与支持向量机（SVM）实现故障模式识别。实验结果表明，采用改进的ARCMDE特征构建的特征向量输入PSO-SVM分类准确率提高了20%以上。

同时，文献[5]提出特征重合度指标对某个尺度下各状态区分效果进行评价，表示两种故障状态所有样本的均值、标准差重叠交叉的程度，正值表示没有重叠，负值表示存在交叉，值越大区分效果越好，反之则越差，两种状态的特征重合度示意图如图1-2所示。

文献[6]提出一种变分模态分解（VMD）与平均能量结合的齿轮故障特征提取方法，首先采用VMD对齿轮振动信号进行分解，然后对各个模态分量求平均能量作为齿轮故障特征量，最后采用欧氏距离的方法对齿轮故障特征进行分类和诊断，实验结果表明该方法的诊断正确率达到100%。

文献[7]提出一种基于变分模态分解（VMD）能量熵特征与支持向量机相结合的齿轮故障诊断方法，将振动信号分解成若干个模态信号，进而计算出各模态信号的能量熵作为高维特征向量输入到最小二乘支持向量机，最终实现齿轮故障类型的识别。

文献[8]提出一种变分模态分解（VMD）与多特征融合的齿轮故障诊断方法。首先对机械振动信号进行VMD分解并得到一系列的模态；然后计算高频段的前4个模态的排列熵和能量；最后将排列熵和能量构成的高维特征向量作为最小二乘支持向量机的输入，对齿轮故障类型进行模式识别。试验结果表明，该智能故障诊断方法识别精度高。

文献[9]提出在齿轮故障特征提取方面采取了使用优化后的变分模态分解和多特征进行融合的方法，在模式识别方面采用了鲸鱼优化算法和多核支持向量机相结合的方法。实验结果表明：鲸鱼优化算法+多核支持向量机+降噪后的VMD方法在风机齿轮故障诊断中的有效性。其中，对分解后的各分量分别提取时域特征、频域特征、排列熵特征、能量熵特征和能量特征。时域特征分类如图1-3所示，频域特征分类如图1-4所示。实验结果证明：排列熵+能量、时域+能量和频域+能量三种特征组合具有更高的识别精度。

注：歪度实际是偏斜度。

文献[10]针对滚动轴承有可能存在固定型故障的问题，提出基于CART（Classification And Regression Tree）决策树的特征融合方法，首先利用CART决策树算法计算从各传感器中所得特征的特征重要性，然后对多传感器的特征矩阵进行特征融合，最后输入到XGBoost（eXtreme Gradient Boosting）算法进行故障诊断。针对风机齿轮箱齿轮的复合故障问题，将深度卷积神经网络（Deep Convolutional Neural Network，DCNN）用于提取振动信号的特征矩阵，然后输入到XGBoost算法中进行故障诊断。

文献[11]提出一种基于优化的变分模态分解（VMD）融合信息熵和萤火虫优化的概率神经网络（FA_PNN）的风电机组齿轮箱故障诊断方法。首先利用皮尔逊相关系数法确定VMD的分解数量和惩罚因子，然后在分解得到的各个固有模态分量的基础上融合时域、频域及时频域等信号故障特征熵，最后用FA_PNN网络进行故障识别分类。

文献[12]提出了一种利用声信号特征结合机器学习当中数据的降维方法来实现齿轮的故障诊断。首先利用多层非负矩阵分解方法分离出故障声信号，对故障声信号进行预加重、加窗、分帧等预处理，提取故障声信号的梅尔倒谱系数（MFCC）特征；然后采用等距映射算法（Isomap）对获取的声信号特征数据集进行降维处理；最后利用K均值聚类（K-means）分析方法对降维后的样本点进行聚类分析。根据实验结果，对齿轮四种工况状态下第三层细节信号包络谱进行分析，在齿轮点蚀状态下，当频率为500Hz时，功率谱发生突变；在齿轮断齿状态下，当频率为400Hz时，功率谱发生突变；在齿轮磨损状态下，功率谱随着频率的变化衰减变化状态最小。

文献[13]提出一种变分模态分解VMD与小波阈值去噪相结合的故障诊断方法，实现瞬态冲击响应成分的准确提取。针对人耳听觉系统对于突发的瞬态声信号具有本能的反应，提出一种基于听觉模型和信号极值点概率密度的特征提取方法，利用Gammatone带通滤波器组、极值点幅值概率密度及其导数，实现瞬态冲击成分的极值点提取。通过模拟人耳听觉系统建立EA听觉系统，并将断齿、点蚀、磨损、正常四种状态下的振动信号及待识别信号经EA模型处理，建立听觉谱特征集，并将听觉感知特征参数引入状态识别，利用PCA主元分析及投影类聚，最终实现状态识别的目的。

文献[14]提出了基于人耳听觉特性的瞬态信号提取方法。根据人耳听觉特性和人耳生理学原理，提出Gammatone滤波组和Meddis模型来模拟人耳功能并取得出和人耳功能一样的效果，实现了对传入的信号按不同中心频率进行分流、整流、非线性压缩、自适应等处理。对于提取出来各种实际振动信号中的瞬态成分，通过瞬态成分的时间间隔可以判断出故障源，利用FFT+FT频谱估计法极大地提高了提取出的瞬态信号频率的估计精度，实现准确地判断出具体哪个零部件出现故障。

以上是综述了14篇有关齿轮故障诊断的文章，有兴趣的读者可以去阅读源文。现在有关故障诊断的文章更多的是采用神经网络的一些方法，通过搭建各种神经网络模型来实现故障诊断，期待未来更多实用的方法应用于工业生产中去。

参考文献

[1] 王振亚,姚立纲,戚晓利,张俊,郑近德. 参数优化变分模态分解与多域流形学习的行星齿轮箱故障诊断[J]. 振动与冲击,2021,40(01):110-118+126.

[2] 胡亚威. 基于特征提取的风机齿轮箱故障诊断方法研究[D].新疆大学,2019.

[3] 李蓉. 齿轮箱复合故障诊断方法研究[D].湖南大学,2013.

[4] 周旺平,王蓉,许沈榕,宋晓莉. VMD能量熵与随机森林相结合的齿轮故障诊断[J]. 机械设计与制造,2021,(03):270-275.

[5] 吴守军,陈健,冯辅周,周超极,吴春志,卫恒. 改进的熵特征在行星齿轮裂纹故障识别中的应用[J]. 西安交通大学学报,2021,55(06):61-68.

[6] 蒋丽英,高爽,崔建国,于明月,卢晓东,王景霖. 基于VMD和平均能量的齿轮故障特征提取[J]. 沈阳航空航天大学学报,2016,33(06):59-65.

[7] 张超,朱腾飞,王大勇. 基于VMD能量熵与支持向量机的齿轮故障诊断[J]. 机械设计与研究,2018,34(02):81-84+89.

[8] 王建国,陈帅,张超. 基于VMD与多特征融合的齿轮故障诊断方法[J]. 机械传动,2017,41(03):160-165.

[9] 陈锴. 基于VMD多特征提取和多核SVM的风力发电机齿轮箱诊断方法研究[D].内蒙古科技大学,2020.

[10] 张荣涛. 基于特征融合和XGBoost算法的风机齿轮箱故障诊断研究[D].上海电机学院,2019.