基于A-VMD的行星齿轮箱智能故障诊断方法研究.pdf

万方数据 万方数据 万方数据 摘要 摘要 行星齿轮箱作为风力发电机、直升机等大型机械设备的关键部件，往往工作在动态 重载的工况下，这使得各齿轮很容易发生故障。因此，对行星齿轮箱进行状态监测与故 障诊断对保障机械装备安全稳定运行和经济增长具有重大意义。针对行星齿轮箱复杂的 结构和多分量特性会导致其振动信号和频谱异常复杂的问题，本文从特征提取与智能诊 断两方面进行研究，利用改进的参数自适应变分模态分解方法对信号进行分解，创建故 障特征提取模型对特征进行自动化提取，并结合卷积神经网络对平稳工况和非平稳工况 下的行星齿轮箱故障类型及故障程度进行智能识别。主要研究内容如下： （1）在特征提取方面。本文首先根据齿轮故障形式建立相应的故障振动信号模型， 通过对常见的几种信号分解方法进行仿真实验，实验表明变分模态分解（Variational Mode Decomposition,VMD)方法相对其它分解方法，具有较高的分解精度和抗噪声干扰。 因此，在针对VMD 分解方法中的IMF 分量个数需要提前设置的问题，提出了一种基于