【《齿轮故障检测分析的国内外文献综述》7900字】

齿轮故障检测研究的国内外文献综述最开始的齿轮故障检测只以旋转式机械为主，对一些振动加速度参数进行测量，它可以定性对齿轮内出现的故障问题进行分析。对于旋转式机械来说，其齿轮故障诊断方法中，发展最快的就是频域性，在这之中，国外学者Randall等[5]人利用齿轮箱组件的详细动态特性来监测齿轮的振动信号进而分析齿轮箱故障，显示如何将故障恢复，并在分析齿轮磨损和齿轮裂纹等故障诊断方面做出较大的贡献。最近几年，国内研究人员在齿轮故障诊断方面进行了深入的研究。在1986年，国内学者屈梁生等人在故障诊断中，对齿轮故障的时频特点深入分析[6]。在1988年，国内学者颜玉玲等人以滚动轴承为主，深入分析其振动情况，探究其故障诊断情况[7]。在1997年，国内学者韩捷等人进一步分析齿轮故障原理，把齿轮故障划分成两个方面，一个大周期齿轮故障特征，另一个是小周期齿轮故障特征。在2007年，国内学者袁佳胜等人在齿轮箱故障分析过程中，应用两种方法一种是小波包分解，另一种是自相关分析。相关文献[8]用综合经验模态分解（EnsembleEmpiricalModeDecompodition，EEMD）和自相关分析结合的方法提取出与原信号相关性最强的本征模态函数。在2015年，国内学者赵晓清等人[9]以振动信息融合为依托，建立故障诊断模型，对构建的故障诊断模型的科学性进行检验。国内学者周海丹等人[10]运用倒频谱分析技术对齿轮点蚀故障进行了诊断研究，说明了倒频谱在分析点蚀故障时的有效性和可行性。李翠省等[11]将EEMD和谱峭度法相结合应用到货车轴承的故障诊断中，取得了较好的效果。沈阳理工大学的魏永合等人基于EEMD与SVD的结合，先对原始信号进行经验模态分解，然后对固有模态分量进行有效的筛选并且重构，利用奇异值差分谱来选择奇异值进行SVD重构，由此实现对弱故障特征的提取。沈超[12]将改进的局部均值分解方法应用到地铁齿轮故障诊断中，对于EMD的端点效应问题做了有效改进，成功提取了齿轮故障信息。南昌航空大学的曹展等基于AR模型对齿轮进行故障诊断，提出时域同步平均技术与AR模型相结合的齿轮故障诊断方法，有效诊断出强噪声干扰下的齿轮故障。国内学者王志坚等[13]提出，使MCKD和循环域解调法有机联系起来，能够对多载波频率产生的交叉项干扰科学抑制，使分析有效性显著提升。国内学者任彬等[14]以优化包络线法为依托，对本征模态函数进行建立，提出经验模态分解法，能够对模态交叉情况有效规避，能够对故障特征频率进行及时获取，以强背景噪声为依托，能够进一步提取微弱故障。国内学者辛李霞等[15]使VMD和最小熵反褶积有机联系起来，MED处理分解完成的PF分量，这样能够对齿轮初始时的故障数据进行提取。国内学者唐道龙等[16]将MCKD与快速谱峭度法相结合，通过提取周期性冲击成分和选取故障频带实现对齿轮的故障诊断。对于齿轮故障诊断技术来说，其有效的故障诊断法有不少，不单单有振动检测法[17]，同时还有参数检测法[18]，此外还有能耗检测法[19]，对故障齿轮箱的振动、油样以及噪声等信息有效获取[20]，从而及时获取齿轮故障数据[21]。对于振动检测法来说，其操作不复杂，技术难度不大，信号获取方法不复杂[22]，使得这一方法的实现不难，振动信号十分多样，有着较高的可靠性[23]，同时信号处理方式越来越完善[24]，长期以来，在全球范围内得到深入推广。对于齿轮故障诊断来说，其方法主要就是在频域以及时域范围内诊断振动信号。对于时域法来说，以诊断者的经验为依托，看其是不是全面了解故障机理。对于经典时域法来说，它是以微分方程为依托，对动态表达式进行求解，获取系统输出响应公式[25]。对于时域分析来说，其初值是0的情况下，大多以传递函数为主，通过传递函数来对系统指标进行评价。主要就是结合这一系统中函数的极点以及零点来对系统性能进行分析。这就是我们所说的复频域分析[26]。将时间当成是自变量来对物理量变化进行表述，这是信号最主要的体现方式。对于时域中信号来说，对其进行放大、过滤处理，就是我们所说的时域分析。对于时域分析方法来说，能够使信噪比有效提升，在不同时间获取信号波形的相关性，能够将机械设备运行过程中的特征参数体现出来，这对于机械系统分析是有利的，对于故障诊断奠定基础。在控制系统中，最主要的一个方法就是频域分析法[27]。对于控制系统来说，其信号主要是频率不同的正弦信号的整合。在频率不同的情况下，正弦函数发挥作用，对稳态输出、输入信号间的数学模型进行表述，就是我们所说的频率特性，能够将正弦信号情况下，系统响应性能体现出来。通过频率特点对线性系统进行研究的方法，就是我们所说的频域分析法。在二十世纪三十年代，频域分析法逐渐发展起来，它是具有代表性的工程方法之一[28]。对于频域分析法来说，这是图解法之一，主要通过频率特性来对线性系统进行分析。对于频率特性来说，它与传递函数相同，主要对线性系统的动态特点进行体现。以频率特性为依托，对系统频域法进行分析，能够使时域分析法的问题有效补充，所以其得到深入推广。对于频率特性来说，它是两个指标的复数比，一个是频率响应，另一个是正弦输入信号。对于频率响应来说，就是由于正弦输入信号的影响，线性系统将稳态分量传输。对于频域分析法来说，其特点具体是：第一，对于频率特性来说，尽管其是稳态特性之一，然而其不单单能够将系统稳态性能体现出来，同时能够对系统平稳性进行分析，对其瞬态性能进行分析，不需要将特征表达式的根计算出来。第二，对于频率特性来说，它和二阶系统过渡指标存在密切的联系，这样能够便利地对系统中参量影响瞬态响应的情况进行分析。第三，线性系统的频率特性可以非常容易地由解析法得到。第四，大多数稳定系统，其频率特性以实验法为依托进行测定，想要对其物理规律入手来将动态表达式列出是很难的，它的意义是十分关键的。第五，对于频域分析法来说，不单单对于线性系统是适用的，同时还能够向非线性系统进行推广[29]。对于频域法来说，它通过细化谱分析，以及倒频技术来完成边带分析[30]。在齿轮诊断时，频域分析重点就是对边频特征信息进行提取，然而以啮合频率为核心，其两侧存在边频族，上述谱线间的间隙不大，通常来说，频率分析不能对上述非常细小的频率有效识别。所以，对于频谱分析来说，其以细化技术为主，从本质来看，主要就是局部放大这一信号，主要对故障特征信息进行提取[31]。对于倒频谱来说，就是我们所说的功率倒频谱，也有人将其当成是二次谱分析[32]。倒频谱有两个优点：1.倒频谱在功率谱对数转换过程中，将相应的加权提供给低幅值分量，同时高幅值分量权不大，加权对于小信号周期性的体现是有利的，同时可以对频率间隔有效测量，其在出谱图故障边带族进行检测时是非常有利的；2.对于倒频谱分析来说，其形状不灵活，即传感器测点位置不灵敏，针对幅度等相位关系不灵敏，因为这一不灵敏性，导致倒频谱分析振动号越来越精准，这对于获取故障源的特征频率是有积极作用的[33]。现代研究变速器齿轮故障特征的主要分析方法都是建立在对时域和频域的分析基础上优化的分析方法。对于变分模态分解来说，这是国外学者Dragomiretskiy等人[34]提出的，它是自适应信号分解算法之一，它是以数学为依托的，它和递归式EMD是不一样的，对于VMD算法来说，能够把模态分解向变分解进行转变，利用迭代搜寻其最佳解，从而对不同模态分量的频率中心等进行确定，在频域内，分解原始信号，同时将所有本征模态分解全部分解。国外学者Yang等[35]对比了VMD和EMD两种算法的性能，认为从噪声鲁棒性和故障特征提取的有效性方面考虑，VMD算法具有更明显的优势。王新等[36]将VMD算法和支持向量机相结合，用于轴承的故障诊断，并认为即使样本较少，仍可以有效地对轴承故障进行分类。国内学者郑小霞等[37]在轴承故障特征提取中应用VMD算法等，同时通过支持向量机来识别故障，这一算法与小波包分解以及经验模态分解等整合相比，它的诊断准确率要高一些。对于粒子群算法来说，在1995年，国外学者Eberhart等人提出的，它是以群智能为依托的，它是全局搜索算法之一[38]。这一算法与模拟退火算法是相近的，最开始的初始解就是随机分布粒子，对其完成迭代寻优。这一算法的实现不难，搜索能力显著，而且鲁棒性突出。国内学者王福忠等[39]在PSO算法内把遗传算法内的交叉理念加入进来，使算法的速度有效提高。国内学者梅恒荣等人[40]优化PSO算法的惯性权重，使算法在SVM方面的改进成效有效提高，这样SVM的分类能力要好一些。国内学者张阔等[41]将改进的PSO算法用于对概率神经网络的平滑因子进行优化，结合故障树分析建立了对电梯的故障诊断模型。胡年平[42]等提出了小生境粒子群算法，并将其应用于对电网故障诊断分析模型的优化，改进的PSO算法大幅提高了搜索速度和搜索精度。狄振华等[43]玛寄PSO算法应用于对层次SVM模型的优化，并将其应用于汽车故障诊断，有效提高故障的检测定位能力。国内学者谢宏等[44]人提出电路故障诊断方法，它将混合粒子群算法和支持向量机有机联系起来，在PSO算法内，把模拟退火机制等加入进来，同时通过优化的PSO来整合优化SVM模型的核函数，同时优化惩罚函数，使故障诊断精准率有效提升。国内学者孙鑫[45]将四阶累积量当成是PSO的评价函数，对分离矩阵进行求解，同时有效识别与提取转子故障。国内学者吕维宗[46]通过量子粒子群算法来对支持向量机进行优化，同时以滚动轴承为例，故障诊断本征模态函数，其成效显著。国内学者舒凡娣[47]针对于PSO算法存在的提前收敛现象，提出了运用穷举法对PSO算法的早熟结果进行辨识，有效改善了算法的未成熟便收敛的现象。国内学者吕明珠等人以PSO算法为依托，将很多操作加入进来，例如全局领域搜索等，同时改进SVM参数，使得科学分类识别滚动轴承故障得以实现。粒子群算法近些年被广泛应用于故障诊断领域，主要应用于对故障诊断模型的参数优化和最优参数选取，从而有效避免人为选取经验不足而导致的诊断效果不佳。对PSO算法的改进主要在惯性权重、初始粒子分布、粒子的位置和速度更新等方面，使得算法在不同的搜索阶段具有符合模型要求的更高的全局搜索能力或局部搜索能力，同时避免陷入局部最优解和提高算法精度。小嫡反褶积(MED)首先由Wiggins提出，是一种以最大峭度为迭代终止条件的最优逆滤波器，在最小嫡反褶积方法中，将峭度值作为评价函数，寻找最优逆滤波器，最大程度地还原信号的特性，使冲击成分突出。国外学者Sawalhi在齿轮故障诊断过程中将MED加入进来。从某种程度来看，MED使信号信噪比有效提升，然而其降噪成效仅以一些大尖脉冲为主，不能提取复合故障，想要使MED法的问题有效补充，在2012年，国外学者McDonald等[48]人提出与相关峭度的概念，同时通过相关峭度对MED内的峭度进行取代，此外，将相关峭度当成是最佳逆滤波器的终止条件。将这一方法称做是MCKD。MCKD方法中，一旦输入不同的周期成分，其它故障特征将被默认为噪声成分，在齿轮部件的故障诊断中，可以有效保留和齿轮故障有关的信号，去除其它非周期成分和噪声的干扰，因此具有极强的降噪能力[49]。王建国[50]等将EMD算法与MCKD方法相结合，将MCKD作为EMD的前置滤波器实现对压力管道泄漏发射信号的诊断定位。杨斌等[51]运用步长搜索法对MCKD的滤波器长度进行优化，并应用自适应的MCKD对互补集合经验模态分解后筛选出的分量进行降噪处理，从而实现对滚动轴承的早期故障特征的提取。孙伟等[52]将MCKD算法与倒频谱方法有效结合，同样将MCKD作为故障诊断的前置滤波器，准确诊断出轴承内外圈和滚珠故障。齐咏生等[53]将PSD算法用于对MCKD算法中的滤波器长度和位移数以相关峭度为评价函数进行寻优，并结合teager能量算子实现了对滚动轴承的复合故障诊断。国内学者张洪梅等[54]以变步长网格搜索法来获取最优的MCKD长度，使得自适应MCKD降噪得以实现。国内学者熊裕文[55]把这一算法和稀疏表示有机联系起来，使得故障提取得以实现。国内学者张志强等人以pRFT目标分离为依托，提出增强故障诊断算法，以FRFT滤波为主，能够强化MCKD，此外通过阶比包络分析，能够将前期微弱故障提取出来。对于MCKD方法在故障诊断中的研究主要在两个方面，一方面是对MCKD算法参数的优化选取，另一方面是将MCKD方法与其它故障诊断算法有效结合，从而实现对故障特征的准确识别和提取。对于神经网络来说，其与网络技术有机联系起来，使得齿轮系统诊断深入发展。在2006年，国外学者HINTONGE等人第一次提出深度学习的定义[56]，开始了新的人工智能研究阶段，在2013年，10大突破性技术中，深度学习理论居于第一位。对于微软等知名机构来说，在很多领域有效应用这一技术，例如语音识别以及信息检索等，其成果显著[57]。深度学习旨在通过模拟大脑的学习过程，以层次化的信息表达并结合海量的训练数据，对更高阶的本质特征的信息提取，并逐层进化特征传递，实现信息的认知计算。以深度学习为依托的状态诊断，主要就是通过大数据对特征进行学习，这样能够对其内在信息进行刻画，使分类得以提高。对于机械健康监测来说，深度学习研究才刚刚开始。与以往的机器学习故障诊断法进行比较，对于深度学习来说，其构建的深层次模型，可以将原始信号当成是输入，使端向端的诊断得以完成，使以往的问题有效规避。第一，从特征提取来看，必须要有信号处理技术，其提取以浅层故障特征为主，人为因素的影响要大一些；第二，对于模型训练来说，未对特征提取给予考虑，模型训练最优化未能实现。第三，以往方法以有限数据样本为主，以大数据为依托，模型学习性能显著不够，想要与需求相符是很难的。对于CNN来说，它是深度学习中最具代表性的网络，其在视觉处理中深入推广[58][59]，尤其是采用CNN为核心技术的“人机围棋大战”———GoogleAlphaGo成功案例让人印象深刻。CNN在上述领域的成功运用，主要源于其模型结构和训练方式上的优势[60][61]:以多层卷积变换为核心的多层次结构具有更强的非线性特征提取能力;“特征学习”直接面向模式识别，实现特征提取、选择和分类器是联合优化的;训练过程中，对于大样本来说，挨个层无监监贪婪学习，通过数据驱动来自适应调节参数，对于小样本来说，以整体有监督微调为主，使整体修正的认识得以实现。结合以上研究现状，本文选用基于参数优化的变分模态分解提取汽车变速器早期故障特征的方法对齿轮故障信号进行处理，得到包含故障特征的本征模态分量（IMF），之后使用卷积神经网络学习不同程度齿轮故障特征的本征模态分量（IMF），对齿轮故障智能诊断分类。参考文献雷亚国，何正嘉．混合智能故障诊断与预示技术的应用进展［J］．振动与冲击，2011，30(9):129－135．丁康，朱小勇，陈亚华.齿轮箱典型故障振动特征与诊断策略[J].振动与冲击，2001(03):7-12.李宝年.齿轮箱故障诊断研究[J].煤矿机械，1997(01):43-45.FengZP，ChuFL.Applicationofatornicdecompositiontogeardamagedetection.JournalofSoundandVibration，2007，(302):138-151RandallRB.ANewMethodofModelingGearFaults[J].JournalofMechanicalDesign，1982，104(2):259-267.袁佳胜，冯志华.基于相关分析与小波变换的齿轮箱故障诊断[J].农业机械学报，2007，38(008):120-123.WuZ，HuangNE.Astudyofthecharacteristicsofwhitenoiseusingtheempiricalmodedecompositionmethod[J].ProceedingsMathematicalPhysical&EngineeringSciences，2004，460(2046):1597-1611.赵晓清，徐玉秀，梁晓玉，等.基于振动相关信息融合的行星齿轮传动系统故障诊断[J].机械强度，2015，037(001):1-8.周海丹，李时雨.基于倒谱分析的齿轮箱齿轮点蚀故障诊断研究[J].机床与液压，2018，v.46;No.467(17):192-195.李翠省，刘永强，廖英英.EEMD降噪和谱峭度法在铁路货车轴承故障诊断中的应用[J].石家庄铁道大学学报(自然科学版)，2017(30):70-75.沈超，杨建伟，姚德臣，等.基于改进局部均值分解和流形学习的齿轮故障诊断研究[J].机械传动，2018，042(001):137-142.王志坚，王俊元，曾志强，等.MCKD-循环域解调方法在齿轮箱故障诊断中的应用[J].机械传动，2017(1):183-188.任彬，乔卉卉，杨绍普，等.机车齿轮箱早期复杂微弱信息获取方法研究[J].铁道学报，2017，039(006):38-47.辛李霞，汪建新，苏晓云.基于VMD和最小熵反褶积的齿轮早期故障诊断[J].机械设计与制造，2019，No.340(06):57-61.TANGDaolong，唐道龙，LIHongkun，等.基于MCKD和快速谱峭度的行星齿轮箱故障诊断[C]//第十二届全国振动理论及应用学术会议论文集.中国振动工程学会，2017.屈梁生.机械故障诊断学[M].1986.李延斌，郑鹏，张文祥，等.齿轮故障诊断技术现状与展望[J].机械设计与制造，2002，000(002):95-97.王肇琪，付勤毅.滚动轴承故障的振动检测方法[J].有色矿山，1999(01):36-40.樊建春，张来斌，杨文友，等.应用油液分析法诊断天然气增压机组故障[J].油气储运，2004(02):49-52.孙宇扬，段发阶，方志强，等.旋转叶片振动参数检测方法[J].仪器仪表学报，2002，023(0z1):60-61.焦映厚，孔霞，蔡云龙，等.基于FEM和BEM法的大型立式齿轮箱振动噪声计算及测试分析[J].振动与冲击，2012，31(004):123-127.时培明，赵娜，苏冠华，等.变载荷齿轮箱故障信号智能检测方法[J].计量学报，2018，39(06):847-851.姚晓山，张永祥，明廷锋，等.混沌弱信号检测法在齿轮裂纹声发射检测中的应用[J].武汉理工大学学报(交通科学与工程版)，2009，33(002):318-320.丁康，李巍华，朱小勇.齿轮及齿轮箱诊断实用技术.北京：机械工业出版社，2005万在红，王细洋.齿轮裂纹早期诊断方法研究.制造技术与机床，2011，5：63-69陈后金．信号与系统：北京交通大学出版社，2005宋牟平，鲍翀，裘超，叶险峰.结合布里渊光时域分析和光时域反射计的分布式光纤传感器．

2010赵媛媛，郭颖，庄慧敏．LTI时间系统响应的经典时域分析方法[J]．商情，2011，000(025):70-70刘胜主编；王辉，陈明杰，原新副主编．自动控制原理：哈尔滨工程大学出版社，2015.10孟华．自动控制原理第2版：机械工业出版社，2014.01俞文明.旋转对称频域和时域积分方程方法及其软件实现和应用[D].南京理工大学，2007.程珩，程明璜.倒频谱在齿轮故障诊断中的应用[J].太原理工大学学报，2003，34(006):661-663.胡爱军，严家祥，白泽瑞.基于MOMEDA和增强倒频谱的风电机组齿轮箱多故障诊断方法[J].振动与冲击，2021，40(07):268-273.邢明星，高海龙，吴海东.倒频谱分析法在新能源减速器异响诊断中的应用[J].时代汽车，2020(12):65-66.DragomiretskiyK，ZossoD.VariationalModeDecomposition[J].IEEETransactionsonSignalProcessing，2014，62(3):531-544.YangW，PengZ，WeiK，etal.Superioritiesofvariationalmodedecompositionoverempiricalmodedecompositionparticularlyintime–frequencyfeatureextractionandwindturbineconditionmonitoring[J].IETRenewablePowerGeneration，2017，11(4):443-452.王新，闫文源.基于变分模态分解和SVM的滚动轴承故障诊断[J].振动与冲击，2017(18).郑小霞，周国旺，任浩翰，等.基于变分模态分解和排列熵的滚动轴承故障诊断[J].振动与冲击，2017，036(022):22-28.KennedyJ，EberhartR.ParticleSwarmOptimization[C]//Icnn95-internationalConferenceonNeuralNetworks.IEEE，2002.王福忠，姚磊，苗纪青.基于改进粒子群优化算法的提升机制动系统故障诊断[J].测控技术，2017，036(007):146-150.佚名.改进粒子群算法优化的SVM模拟电路故障诊断[J].电子测量与仪器学报，2017，08(v.31;No.200):84-91.张阔，李国勇，韩方阵，等.故障树法和改进PSO-PNN网络的电梯故障诊断模型[J].中国安全生产科学技术，2017，09(v.13):177-181.胡年平，徐芳敏，谢宁，等.改进小生境粒子群算法应用于电网故障诊断[J].电网与清洁能源，2018，v.34；No.223(02):14-21.狄振华，黄珊珊，罗明.一种粒子群算法优化支持向量机的汽车故障诊断方法研究[J].小型内燃机与车辆技术，2018.谢宏，李云峰，陈海滨，等.混合粒子群算法优化支持向量机电路故障诊断[J].电子测量与仪器学报，2018.孙鑫.基于粒子群算法的转子振动特征识别研究[D].长春工业大学.吕维宗，王海瑞，舒捷.量子粒子群算法优化相关向量机的轴承故障诊断[J].计算机应用与软件，2019，036(001):6-11，16.舒凡娣，谢嘉晟，廖晓娇，等.结合粒子群算法和穷举法的配电网故障诊断方法[J].智慧电力，2019，47(01):100-105.McdonaldGL，ZhaoQ，ZuoMJ.MaximumcorrelatedKurtosisdeconvolutionandapplicationongeartoothchipfaultdetection[J].MechanicalSystemsandSignalProcessing，2012，33(Complete):237-255.任学平，李攀，王朝阁.基于LMD和MCKD的滚动轴承早期故障诊断[J].现代制造工程，2018，000(009):143-147，160.王建国，刘朋真，刘艳明，等.基于MCKD和EMD分解的压力管道泄漏源定位研究[J].工业安全与环保，2018，