CN111460722B - 箱体振动能量预测方法 - Google Patents

Abstract

本公开涉及机械工程技术领域，尤其涉及一种箱体振动能量预测方法，用于预测多源激励多路分流齿轮箱的箱体振动能量。该方法包括：求解出传动系统中各个齿轮副的齿频、振动位移和各个轴承座的支反力；结合各个齿轮副的齿频和振动位移，求解各个齿轮副的振动能指标；在箱体上选取多个测量点，结合各个轴承座的支反力，求解出各个测量点的振动能量；训练出振动能指标和振动能量的神经网络模型；将任一工况下的振动能指标带入神经网络模型，以得到与任一工况对应的测量点的振动能量和振动值。该方法能够准确快速地计算出箱体振动能量，而振动能量可用于确定齿轮箱的振动限制值，使得设计人员能够基于振动限制值对齿轮箱进行优化设计。

Description

箱体振动能量预测方法

技术领域

本公开涉及机械工程技术领域，尤其涉及一种箱体振动能量预测方法。

背景技术

多源激励多路分流齿轮箱是一种机械传动装置，广泛应用于航空、船舶、轧钢及工程机械等领域，其中：多源激励是指齿轮箱的传动系统受到时变啮合刚度、时变啮合阻尼、不平衡惯性力、输出扭矩波动等外部激励的共同作用；多路分流是指齿轮箱的传动系统由多路传动齿轮副组成。由于多源激励多路分流齿轮箱在工作过程中，往往存在较大的振动，不但会产生较大的噪声，而且影响传动系统的寿命，因此，对多源激励多路分流齿轮箱的箱体振动能量的预测显得尤为重要。

目前，通常是借助有限元软件通过仿真分析得到齿轮箱的箱体振动能量，但是步骤较为繁琐、耗时较长，计算精度受到网格细密程度的影响，而且受样本点数量限制，无法对箱体振动能量的分布趋势进行准确全面的预测。

所述背景技术部分公开的上述信息仅用于加强对本公开的背景的理解，因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本公开的目的在于提供一种箱体振动能量预测方法，能够较为准确且快速地计算出多源激励多路分流齿轮箱的箱体振动能量，而振动能量可用于确定齿轮箱的振动限制值，使得设计人员能够基于振动限制值对齿轮箱进行优化设计，并最终延长齿轮箱的使用寿命。

为实现上述发明目的，本公开采用如下技术方案：

根据本公开的一个方面，提供一种箱体振动能量预测方法，用于预测多源激励多路分流齿轮箱的箱体振动能量，所述箱体振动能量预测方法包括：

根据所述多源激励多路分流齿轮箱的工作转速，求解出所述多源激励多路分流齿轮箱的传动系统中各个齿轮副的齿频；

建立所述传动系统的动力学模型，并基于所述动力学模型得到各个所述齿轮副的振动位移和所述传动系统中各个轴承座的支反力；

结合各个所述齿轮副的齿频和振动位移，求解出各个所述齿轮副的振动能指标；

在所述多源激励多路分流齿轮箱的箱体上选取多个测量点，并结合各个所述轴承座的支反力，求解出各个所述测量点的振动能量和振动值；

训练出所述齿轮副的振动能指标和所述测量点的振动能量的神经网络模型；

将任一工况下的所述齿轮副的振动能指标带入所述神经网络模型，以得到与所述任一工况对应的所述测量点的振动能量。

在本公开的一种示例性实施例中，基于所述动力学模型得到各个所述齿轮副的振动位移和所述传动系统中各个轴承座的支反力，包括：

根据所述动力学模型建立所述传动系统的动力学方程；

求解所述动力学方程，以得到各个所述齿轮副的振动位移和所述传动系统中各个轴承座的支反力。

在本公开的一种示例性实施例中，所述动力学方程满足如下第一关系式：

式中，M_t为质量矩阵；C_t为阻尼矩阵；K_t为刚度矩阵；F_t(t)为激励向量；q_t(t)为位移向量。

在本公开的一种示例性实施例中，求解所述动力学方程，以得到各个所述齿轮副的振动位移和所述传动系统中各个轴承座的支反力，包括：

将所述动力学方程由物理坐标系转换为模态坐标系，以得到所述传动系统的模态方程组；

从所述模态方程组中剔除刚体位移方程，以得到所述传动系统的无量纲方程；

求解所述无量纲方程，以得到各个所述齿轮副的振动位移和所述传动系统中各个所述轴承的支反力。

在本公开的一种示例性实施例中，所述无量纲方程满足如下第二关系式：

式中，

为无量纲阻尼矩阵；

为无量纲刚度矩阵；

为无量纲激励向量；

为无量纲位移向量。

在本公开的一种示例性实施例中，求解所述无量纲方程，以得到各个所述齿轮副的振动位移和所述传动系统中各个所述轴承的支反力，包括：

求解所述无量纲方程，以得到各个所述齿轮副的动力学响应位移；

根据各个所述齿轮副的平均啮合刚度，求解出各个所述齿轮副的静态位移；

将各个所述齿轮副的动力学响应位移和静态位移叠加，以得到各个所述齿轮副的振动位移；

分解各个所述齿轮副上的轴向力和径向力，以得到各个所述轴承座的支反力。

在本公开的一种示例性实施例中，所述测量点靠近各个轴承座孔设置。

在本公开的一种示例性实施例中，所述测量点的数量为三个。

在本公开的一种示例性实施例中，述齿轮副的振动能指标满足如下第三关系式：

式中，a为所述齿轮副的振动能指标；Y为所述齿轮副的振动位移；f为所述齿轮副的齿频。

在本公开的一种示例性实施例中，训练出所述齿轮副的振动能指标和所述测量点的振动能量的神经网络模型，包括：

求解出多种工况下各个所述齿轮副的振动能指标数据、各个所述测量点的振动能量数据；

以各个所述振动能指标数据为输入，以各个所述振动能量数据作为输出，并基于神经网络算法训练出所述齿轮副的振动能指标和所述测量点的振动能量的神经网络模型。

本公开实施方式的箱体振动能量预测方法，综合考虑了齿轮箱的传动系统中齿轮副的振动位移和齿频，并定义了齿轮副的振动能指标，该振动能指标由齿轮副的振动位移和齿频经过数学计算得到，能够很好地包含齿轮副的振动信息；同时，在齿轮箱的箱体上选取多个测量点，并结合传动系统中各个轴承座的支反力，求解出各个测量点的振动能量；最后，利用已经得到的振动能指标数据和振动能量数据，训练出齿轮副的振动能指标与箱体振动能量的神经网络模型。

因为训练出的神经网络模型相当于齿轮副的振动能指标和箱体振动能量之间的映射关系，由此，将任一工况下的齿轮副的振动能指标带入神经网络模型中，即可得到与该工况对应的箱体上测量点的振动能量，而不再需要重新借助有限元软件通过仿真分析得到齿轮箱的箱体振动能量，省去了划分网格等繁琐步骤，进而提高了计算速度和计算精度。

因此，该箱体振动能量预测方法能够较为准确且快速地计算出齿轮箱的箱体振动能量，而振动能量可用于确定齿轮箱的振动限制值，一方面，使得设计人员能够基于振动限制值对齿轮箱进行优化设计，并最终延长齿轮箱的使用寿命；另一方面，也可为试验人员提供试验依据，以便于开展齿轮箱的振动试验。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本公开实施方式多源激励多路分流齿轮箱的传动系统的结构示意图。

图2是本公开实施方式箱体振动能量预测方法的流程示意图。

图3是本公开实施方式多源激励多路分流齿轮箱的传动系统的动力学模型示意图。

图4是本公开实施方式多源激励多路分流齿轮箱的箱体的结构示意图。

图中：1、输入轴；2、第一齿轮副；3、第二齿轮副；4、第三齿轮副；5、第四齿轮副；6、第五齿轮副；7、第六齿轮副；8、输出轴；9、第一测量点；10、第二测量点；11、第三测量点。

具体实施方式

现在将参考附图更全面地描述示例实施例。然而，示例实施例能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施例使得本公开将更加全面和完整，并将示例实施例的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本公开的实施例的充分理解。

所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本公开的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而没有所述特定细节中的一个或更多，或者可以采用其它的方法、组元、材料等。在其它情况下，不详细示出或描述公知结构、材料或者操作以避免模糊本公开的主要技术创意。

虽然本说明书中使用相对性的用语，例如“上”“下”来描述图标的一个组件对于另一组件的相对关系，但是这些术语用于本说明书中仅出于方便，例如根据附图中所述的示例的方向。能理解的是，如果将图标的装置翻转使其上下颠倒，则所述在“上”的组件将会成为在“下”的组件。其他相对性的用语，例如“高”“低”“顶”“底”“左”“右”等也作具有类似含义。

当某结构在其它结构“上”时，有可能是指某结构一体形成于其它结构上，或指某结构“直接”设置在其它结构上，或指某结构通过另一结构“间接”设置在其它结构上。用语“一个”、“一”、“所述”用以表示存在一个或多个要素/组成部分/等；用语“包括”和“具有”用以表示开放式的包括在内的意思并且是指除了列出的要素/组成部分/等之外还可存在另外的要素/组成部分/等；用语“第一”和“第二”等仅作为标记使用，不是对其对象的数量限制。

如图1所示，本公开实施方式的多源激励多路分流齿轮箱的传动系统可以为对称人字齿轮结构，其中：

输入轴1和第一齿轮副2固定连接，第二齿轮副3及第四齿轮副5和第一齿轮副2啮合，第二齿轮副3和第三齿轮副4、第四齿轮副5和第五齿轮副6固定连接，第六齿轮副7同时啮合于第三齿轮副4和第五齿轮副6，输出轴8和第六齿轮副7固定连接，此处不再详细描述。

当然，该多源激励多路分流齿轮箱的传动系统也可以为其他结构，此处不再一一列举。

在相关技术中，多源激励多路分流齿轮箱的箱体振动能量的计算过程较为繁琐、耗时较长，且计算精度不高。为了解决该问题，本公开实施方式中提供一种箱体振动能量预测方法。

如图2所示，该箱体振动能量预测方法可包括以下步骤：

步骤S110，根据多源激励多路分流齿轮箱的工作转速，求解出多源激励多路分流齿轮箱的传动系统中各个齿轮副的齿频；

步骤S120，建立传动系统的动力学模型，并基于动力学模型得到各个齿轮副的振动位移和传动系统中各个轴承座的支反力；

步骤S130，结合各个齿轮副的齿频和振动位移，求解出各个齿轮副的振动能指标；

步骤S140，在多源激励多路分流齿轮箱的箱体上选取多个测量点，并结合各个轴承座的支反力，求解出各个测量点的振动能量和振动值；

步骤S150，训练出齿轮副的振动能指标和测量点的振动能量的神经网络模型；

步骤S160，将任一工况下的齿轮副的振动能指标带入神经网络模型，以得到与任一工况对应的测量点的振动能量和振动值。

本公开实施方式的箱体振动能量预测方法，综合考虑了多源激励多路分流齿轮箱的传动系统中齿轮副的振动位移和齿频，并定义了齿轮副的振动能指标，该振动能指标由齿轮副的振动位移和齿频经过数学计算得到，能够很好地包含齿轮副的振动信息；同时，在齿轮箱的箱体上选取多个测量点，并结合传动系统中各个轴承座的支反力，求解出各个测量点的振动能量；最后，利用已经得到的振动能指标数据和振动能量数据，训练出齿轮副的振动能指标与箱体振动能量的神经网络模型。

因为训练出的神经网络模型相当于齿轮副的振动能指标和箱体振动能量之间的映射关系，因此，将任一工况下的齿轮副的振动能指标带入神经网络模型中，即可得到与该工况对应的箱体上测量点的振动能量，而不再需要重新借助有限元软件通过仿真分析得到齿轮箱的箱体振动能量，省去了划分网格等繁琐步骤，进而提高了计算速度和计算精度。

由此，该箱体振动能量预测方法能够较为准确且快速地计算出齿轮箱的箱体振动能量，而振动能量可用于确定齿轮箱的振动限制值，使得设计人员能够基于振动限制值对齿轮箱进行优化设计，并最终延长齿轮箱的使用寿命。

当然，也可为试验人员提供试验依据，以便于开展齿轮箱的振动试验，此处不再详细描述。

下面对本公开实施方式提供的箱体振动能量预测方法进行详细说明：

步骤S110，根据多源激励多路分流齿轮箱的工作转速，求解出多源激励多路分流齿轮箱的传动系统中各个齿轮副的齿频。

根据多源激励多路分流减速器的工作转速(即：输入轴1的转速，记为n₁)，再结合相互啮合的齿轮副的齿数比，即可求出第一齿轮副2的转速(记为n₂)、第二齿轮副3转速(记为n₃)、第三齿轮副4转速(记为n₄)、第四齿轮副5转速(记为n₅)、第五齿轮副6转速(记为n₆)和第六齿轮副7转速(记为n₇)，进而求解出第一齿轮副2的齿频(记为f₂，且f₂＝n₂/60)、第二齿轮副3齿频(记为f₃，且f₃＝n₃/60)、第三齿轮副4齿频(记为f₄，且f₃＝n₄/60)、第四齿轮副5齿频(记为f₅，且f₅＝n₅/60)、第五齿轮副6齿频(记为f₆，且f₆＝n₆/60)和第六齿轮副7齿频(记为f₇，且f₇＝n₇/60)，此处不再详细描述。

步骤S120，建立传动系统的动力学模型，并基于动力学模型得到各个齿轮副的振动位移和传动系统中各个轴承座的支反力。

具体而言，步骤S120可包括以下步骤：

步骤S1201，根据动力学模型建立传动系统的动力学方程，详细介绍：

如图1所示，可将传动系统中每一个人字型齿轮副视为两个刚性圆盘通过中间轴连接，并用集中参数法描述其力学特性；各个齿轮副之间借助啮合刚度和啮合阻尼相联系；传动系统中的轴承采用非线性支承刚度和支承阻尼相联系，并将轴承的质量等效到轴段中；将轴段视为有限体，并采用欧拉梁建立其刚度矩阵和质量矩阵；最后，采用子结构方法集结形成整个传动系统的动力学模型(如图3所示)。

由此，即可建立传动系统的动力学方程，且动力学方程可满足如下第一关系式：

式中：M_t为质量矩阵，C_t为阻尼矩阵，K_t为刚度矩阵，F_t(t)为激励向量，q_t(t)为位移向量，此处不再详细描述。

步骤S1202，求解动力学方程，以得到各个齿轮副的振动位移和所述传动系统中各个轴承座的支反力。

具体而言，步骤S1202可包括以下步骤：

步骤S12021，将动力学方程由物理坐标系转换为模态坐标系，以得到传动系统的模态方程组。

步骤S12022，从模态方程组中剔除刚体位移方程，以得到传动系统的无量纲方程，且无量纲方程可满足如下第二关系式：

式中：

为无量纲阻尼矩阵，

为无量纲刚度矩阵，

为无量纲激励向量，

为无量纲位移向量，此处不再详细描述。

步骤S12023，求解无量纲方程，以得到各个齿轮副的振动位移和传动系统中各个轴承的支反力。

详细介绍，步骤S12023可包括以下步骤：

(1)求解无量纲方程，以得到各个齿轮副的动力学响应位移；步骤S13032，根据各个齿轮副的平均啮合刚度，求解出各个齿轮副的静态位移；(2)将各个齿轮副的动力学响应位移和静态位移叠加，以得到各个齿轮副的振动位移，并记为Y；(3)分解各个齿轮副上的轴向力和径向力，以得到各个轴承座的支反力，并记为F，此处不再详细描述。

步骤S130，结合各个齿轮副的齿频和振动位移，求解出各个齿轮副的振动能指标。该振动能指标用来衡量各个齿轮副的振动情况，且该振动能指标可满足如下第三关系式：

式中，a为齿轮副的振动能指标；Y为齿轮副的振动位移；f为齿轮副的齿频，此处不再详细描述。

步骤S140，在多源激励多路分流齿轮箱的箱体上选取多个测量点，并结合各个轴承座的支反力，求解出各个测量点的振动能量。

需要注意的是，测量点应尽量靠近各个轴承座孔设置。因为箱体和传动系统的齿轮副通过轴承连接，而轴承设置在轴承座孔中，使得箱体在轴承座孔的振动量最大。所以，测量点应靠近各个轴承座孔设置，从而能够采集到箱体上最大幅度的振动点。

举例而言，可借助Workbench等有限元软件来确定测量点的振动能量，具体而言：

首先，将箱体的三维模型导入Workbench等有限元软件；然后，设置箱体之间的连接方式(连接方式可选择bonded，此处不作特殊限定)，并划分网格(可选择默认网格种类，此处也不作特殊限定)，再将步骤S12023中得到各个轴承座的支反力F作为输入设置到箱体的各个轴承座孔中；最后，运行计算程序，即可得到各个测量点的振动能量。

易于理解的是，测量点的数量越多，箱体振动能量的样本就越多，但计算过程也越复杂、耗时也越长。

因此，需要综合考虑箱体振动能量的样本数量和计算过程来确定测量点的数量。举例而言，测量点的数量可以为三个，如图4所示，三个测量点可分别为第一测量点9、第二测量点10和第三测量点11，此处不再详细描述。

步骤S150，训练出齿轮副的振动能指标和测量点的振动能量的神经网络模型。

具体而言，步骤S150可包括以下步骤：

步骤S1501，求解出多种工况下各个齿轮副的振动能指标数据、各个测量点的振动能量数据，此处不再详细描述；

步骤S1502，以各个振动能指标数据为输入，以各个振动能量数据作为输出，并基于神经网络算法训练出齿轮副的振动能指标和所述测量点的振动能量的神经网络模型。

举例而言，该神经网络模型可以为BP(Back Propagation)神经网络模型，并需要在BP神经网络工具箱中设置训练模型参数，该训练模型参数可包括中间神经元的个数、最大训练次数、收敛精度、隐藏层和输出层的传输函数、权值计算方法，此处不再详细描述。

以本公开实施方式的多源激励多路分流齿轮箱的传动系统为例进行说明：

首先，确定出一个工况，计算出在该工况下6个齿轮副(第一齿轮副2、第二齿轮副3转速、第三齿轮副4、第四齿轮副5、第五齿轮副6、第六齿轮副7)的振动能指标，并计算出对应的3个测量点(第一测量点9、第二测量点10和第三测量点11)的振动能量，再将6个齿轮副的振动能指标数据和3个测量点的振动能量数据编制在Matlab的mat文件中，以得到1×9形式的mat数据文件。

其次，更新变化工况，保证每次的工作状况不同，并重复上述步骤18次，以得到18×9形式的mat数据文件。当然，重复次数也可以更多，此处不作特殊限定。

随后，将得到的18×9形式的mat数据文件载入Matlab的BP神经网络工具箱中，并以6个齿轮副的振动能指标为输入，以3个测量点的振动能量为输出，可将中间神经元个数设置为5个，最大训练次数可设置为5000，收敛精度可设置为0.001，隐藏层的传输函数可选用tansig函数，输出层的传输函数可选用purelin函数，权值计算方法可选用trainscg；由此，即可完成运算前的参数设置。

最后，通过训练出齿轮副的振动能指标与箱体的振动能量的神经网络模型。

步骤S160，将任一工况下的齿轮副的振动能指标带入神经网络模型，以得到与任一工况对应的测量点的振动能量和振动值。

因为训练出的神经网络模型相当于齿轮副的振动能指标和箱体振动能量之间的映射关系，由此，求解箱体上测量点的振动能量不再需要重新借助有限元软件通过仿真分析去计算齿轮箱的箱体振动能量，进而提高了计算速度和计算精度。

应当理解的是，本公开不将其应用限制到本说明书提出的部件的详细结构和布置方式。本公开能够具有其他实施方式，并且能够以多种方式实现并且执行。前述变形形式和修改形式落在本公开的范围内。应可理解的是，本说明书公开和限定的本公开延伸到文中和/或附图中提到或明显的两个或两个以上单独特征的所有可替代组合。所有这些不同的组合构成本公开的多个可替代方面。本说明书所述的实施方式说明了已知用于实现本公开的最佳方式，并且将使本领域技术人员能够利用本公开。

Claims (9)

1.一种箱体振动能量预测方法，用于预测多源激励多路分流齿轮箱的箱体振动能量，其特征在于，包括：

根据所述多源激励多路分流齿轮箱的工作转速，求解出所述多源激励多路分流齿轮箱的传动系统中各个齿轮副的齿频；

建立所述传动系统的动力学模型，并基于所述动力学模型得到各个所述齿轮副的振动位移和所述传动系统中各个轴承座的支反力；

结合各个所述齿轮副的齿频和振动位移，求解出各个所述齿轮副的振动能指标；

在所述多源激励多路分流齿轮箱的箱体上选取多个测量点，并结合各个所述轴承座的支反力，求解出各个所述测量点的振动能量；

训练出所述齿轮副的振动能指标和所述测量点的振动能量的神经网络模型；

将任一工况下的所述齿轮副的振动能指标带入所述神经网络模型，以得到与所述任一工况对应的所述测量点的振动能量和振动值；

其中，所述齿轮副的振动能指标满足如下第三关系式：

式中，a为所述齿轮副的振动能指标；Y为所述齿轮副的振动位移；f为所述齿轮副的齿频。

2.根据权利要求1所述的箱体振动能量预测方法，其特征在于，基于所述动力学模型得到各个所述齿轮副的振动位移和所述传动系统中各个轴承座的支反力，包括：

根据所述动力学模型建立所述传动系统的动力学方程；

求解所述动力学方程，以得到各个所述齿轮副的振动位移和所述传动系统中各个轴承座的支反力。

3.根据权利要求2所述的箱体振动能量预测方法，其特征在于，所述动力学方程满足如下第一关系式：

式中，M_t为质量矩阵；C_t为阻尼矩阵；K_t为刚度矩阵；F_t(t)为激励向量；q_t(t)为位移向量。

4.根据权利要求3所述的箱体振动能量预测方法，其特征在于，求解所述动力学方程，以得到各个所述齿轮副的振动位移和所述传动系统中各个轴承座的支反力，包括：

将所述动力学方程由物理坐标系转换为模态坐标系，以得到所述传动系统的模态方程组；

从所述模态方程组中剔除刚体位移方程，以得到所述传动系统的无量纲方程；

求解所述无量纲方程，以得到各个所述齿轮副的振动位移和所述传动系统中各个所述轴承座的支反力。

5.根据权利要求4所述的箱体振动能量预测方法，其特征在于，所述无量纲方程满足如下第二关系式：

式中，

为无量纲阻尼矩阵；

为无量纲刚度矩阵；

为无量纲激励向量；

为无量纲位移向量。

6.根据权利要求5所述的箱体振动能量预测方法，其特征在于，求解所述无量纲方程，以得到各个所述齿轮副的振动位移和所述传动系统中各个所述轴承座的支反力，包括：

求解所述无量纲方程，以得到各个所述齿轮副的动力学响应位移；

根据各个所述齿轮副的平均啮合刚度，求解出各个所述齿轮副的静态位移；

将各个所述齿轮副的动力学响应位移和静态位移叠加，以得到各个所述齿轮副的振动位移；

分解各个所述齿轮副上的轴向力和径向力，以得到各个所述轴承座的支反力。

7.根据权利要求1所述的箱体振动能量预测方法，其特征在于，所述测量点靠近各个轴承座孔设置。

8.根据权利要求7所述的箱体振动能量预测方法，其特征在于，所述测量点的数量为三个。

9.根据权利要求1所述的箱体振动能量预测方法，其特征在于，训练出所述齿轮副的振动能指标和所述测量点的振动能量的神经网络模型，包括：

求解出多种工况下各个所述齿轮副的振动能指标数据、各个所述测量点的振动能量数据；

以各个所述振动能指标数据为输入，以各个所述振动能量数据作为输出，并基于神经网络算法训练出所述齿轮副的振动能指标和所述测量点的振动能量的神经网络模型。

Images