發(fā)布時(shí)間：2018-02-22 20:41

  本文關(guān)鍵詞： 人工蜂群算法 支持向量機(jī) 參數(shù)優(yōu)化 S變換 模糊熵 齒輪故障診斷　出處：《東北石油大學(xué)》2015年碩士論文　論文類型：學(xué)位論文

【摘要】：齒輪作為機(jī)械設(shè)備中的一個(gè)重要組成部分,被廣泛地應(yīng)用于金屬切削、航天工業(yè)、國(guó)防建設(shè)、電力交通運(yùn)輸?shù)雀餍懈鳂I(yè)中,故障發(fā)生概率比較高,一旦發(fā)生故障就會(huì)造成停機(jī)停產(chǎn),甚至威脅到人員安全,因此,對(duì)其進(jìn)行狀態(tài)監(jiān)測(cè)和故障診斷有著非常重要的實(shí)際意義。本文主要研究了基于蜂群算法優(yōu)化的支持向量機(jī)齒輪故障診斷技術(shù)。本文首先研究了齒輪常見(jiàn)故障類型及形成原因,分析了齒輪故障振動(dòng)機(jī)理,研究了常用的幾種時(shí)域指標(biāo)并介紹了課題使用的故障模擬試驗(yàn)平臺(tái)QPZZ-II。其次,研究了人工蜂群算法的基本原理,針對(duì)其進(jìn)化后期收斂速度較慢、種群多樣性可能過(guò)分喪失、甚至陷入局部最優(yōu)解的問(wèn)題,引入混沌初始化和錦標(biāo)賽選擇策略,通過(guò)四個(gè)標(biāo)準(zhǔn)函數(shù)的尋優(yōu)仿真實(shí)驗(yàn)驗(yàn)證混沌人工蜂群算法具有更快的收斂速度和更高的尋優(yōu)精度;研究了支持向量機(jī)的分類方法,選擇混沌人工蜂群算法對(duì)模型參數(shù)進(jìn)行尋優(yōu),利用UCI數(shù)據(jù)庫(kù)中的Heart、Iris和Wine數(shù)據(jù)集進(jìn)行仿真實(shí)驗(yàn),驗(yàn)證混沌人工蜂群算法優(yōu)化的支持向量機(jī)具有更高的分類正確率。利用去噪前時(shí)域參數(shù)作為特征,將該方法應(yīng)用于實(shí)際的齒輪故障診斷中,得到較好的故障識(shí)別效果;利用去噪后時(shí)域參數(shù)作為特征,采用CABC-SVM方法對(duì)實(shí)際齒輪進(jìn)行故障診斷,對(duì)比去噪前后的識(shí)別結(jié)果,驗(yàn)證了時(shí)域參數(shù)的容噪能力較差。最后,研究了S變換和模糊熵的基本理論,針對(duì)齒輪信號(hào)采集過(guò)程中噪聲的影響以及信號(hào)的復(fù)雜性和非平穩(wěn)性,本文提出了基于廣義S變換模糊熵的特征提取方法,對(duì)信號(hào)進(jìn)行廣義S變換得到時(shí)頻對(duì)應(yīng)矩陣,然后對(duì)頻率分段并計(jì)算各頻段的模糊熵值作為信號(hào)特征向量,通過(guò)對(duì)模擬信號(hào)的仿真實(shí)驗(yàn)驗(yàn)證該方法能夠有效降低噪聲的影響。將該方法應(yīng)用于實(shí)際的齒輪故障診斷中,利用蜂群優(yōu)化的支持向量機(jī)作為分類器,得到較高的分類正確率。
[Abstract]:As an important part of mechanical equipment, gear is widely used in metal cutting, aerospace industry, national defense construction, electric power transportation and other industries, the probability of failure is relatively high. Once a failure occurs, it will cause downtime and even threaten the safety of personnel. It is of great practical significance to monitor and diagnose its condition. This paper mainly studies the gear fault diagnosis technology of support vector machine based on bee colony algorithm. Firstly, this paper studies the common fault types and causes of gear fault. This paper analyzes the mechanism of gear fault vibration, studies several commonly used time-domain indexes, and introduces the fault simulation test platform QPZZ-III. secondly, the basic principle of artificial bee colony algorithm is studied, and the convergence speed of artificial bee colony algorithm is slow in the late stage of evolution. The population diversity may be excessively lost, or even fall into the problem of local optimal solution. Chaos initialization and tournament selection strategy are introduced. The simulation results of four standard functions show that the chaotic artificial bee colony algorithm has faster convergence speed and higher optimization accuracy, and the classification method of support vector machine is studied, and the chaotic artificial bee colony algorithm is selected to optimize the model parameters. By using Heartberg Iris and Wine data sets in UCI database, the simulation results show that the support vector machine optimized by chaotic artificial bee colony algorithm has a higher classification accuracy, and the time domain parameters before denoising are used as features. The method is applied to the actual gear fault diagnosis, and a better fault identification effect is obtained. Using the time domain parameters after denoising as the feature, the CABC-SVM method is used to diagnose the actual gear fault, and the identification results before and after denoising are compared. Finally, the basic theory of S transform and fuzzy entropy is studied, aiming at the influence of noise in the process of gear signal acquisition, the complexity and non-stationarity of the signal. In this paper, a method of feature extraction based on generalized S-transform fuzzy entropy is proposed. The time-frequency corresponding matrix is obtained by generalized S-transform. Then the frequency is segmented and the fuzzy entropy of each frequency band is calculated as the signal feature vector. The simulation results of simulated signals show that this method can effectively reduce the influence of noise. This method is applied to the actual gear fault diagnosis, and the support vector machine based on bee colony optimization is used as the classifier to obtain a higher classification accuracy.
【學(xué)位授予單位】：東北石油大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類號(hào)】：TP18;TH132.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 湯和;應(yīng)懷樵;汪元輝;張策;;用齒輪噪聲特性診斷齒輪故障的研究[J];齒輪;1986年04期

2 高明;齒輪故障分析及診斷[J];電大理工;2000年01期

3 皮駿;廖明夫;;利用小波包絡(luò)診斷齒輪故障[J];機(jī)械設(shè)計(jì);2005年11期

4 孔文濤;許益華;;齒輪故障的原因及診斷[J];石油和化工設(shè)備;2009年03期

5 艾延廷,盛元生;時(shí)域分析技術(shù)在齒輪故障檢測(cè)中的應(yīng)用[J];振動(dòng)、測(cè)試與診斷;1992年04期

6 潘嘉祺;《齒輪故障模擬器的開(kāi)發(fā)和研制》項(xiàng)目通過(guò)科技成果鑒定[J];上海冶金高等�？茖W(xué)校學(xué)報(bào);2000年02期

7 陳明華 ,陳海林 ,江建忠;齒輪故障的振動(dòng)診斷及案例分析[J];中國(guó)設(shè)備工程;2005年07期

8 陳亮;;應(yīng)用振動(dòng)峰值能量對(duì)齒輪故障的診斷[J];中國(guó)設(shè)備工程;2008年04期

9 張桂才，趙萬(wàn)鎰;幅值立方法──一種新的齒輪故障信號(hào)預(yù)處理方法[J];機(jī)械傳動(dòng);1994年03期

10 劉建敏;劉遠(yuǎn)宏;江鵬程;馮輔周;;基于包絡(luò)S變換時(shí)頻圖像提取齒輪故障特征[J];振動(dòng)與沖擊;2014年01期

相關(guān)會(huì)議論文 前2條

1 明廷鋒;張永祥;仰德標(biāo);;齒輪故障診斷技術(shù)研究綜述[A];第十屆全國(guó)設(shè)備監(jiān)測(cè)與診斷技術(shù)學(xué)術(shù)會(huì)議論文集[C];2000年

2 張玉奎;周火青;;提升小波分析在齒輪故障中的應(yīng)用[A];2012中國(guó)（唐山）綠色鋼鐵高峰論壇暨冶金設(shè)備、節(jié)能減排技術(shù)推介會(huì)論文集/推介指南[C];2012年

相關(guān)碩士學(xué)位論文 前10條

1 董傳洋;基于MCSA的齒輪故障診斷技術(shù)研究[D];哈爾濱工業(yè)大學(xué);2015年

2 張姍姍;基于蜂群優(yōu)化的支持向量機(jī)齒輪故障診斷技術(shù)研究[D];東北石油大學(xué);2015年

3 趙年偉;基于聲發(fā)射技術(shù)的齒輪故障監(jiān)測(cè)[D];沈陽(yáng)工業(yè)大學(xué);2013年

4 Simon Romli;基于包絡(luò)分析的齒輪故障監(jiān)測(cè)及基于人工神經(jīng)網(wǎng)絡(luò)的齒輪故障分類[D];重慶大學(xué);2011年

5 李海龍;基于局部特征尺度分解的齒輪故障診斷方法研究[D];湖南大學(xué);2012年

6 馬學(xué)知;基于虛擬儀器的齒輪故障測(cè)試系統(tǒng)[D];湖南大學(xué);2007年

7 陳佳;齒輪故障信號(hào)實(shí)時(shí)壓縮算法研究[D];重慶大學(xué);2014年

8 周輝;齒輪故障的特征提取與模式識(shí)別技術(shù)研究[D];鄭州大學(xué);2005年

9 曹宇翔;基于核聚類與信息融合的齒輪故障診斷技術(shù)研究[D];湖南科技大學(xué);2014年

10 祁映強(qiáng);基于自相關(guān)分析和EMD理論的齒輪故障診斷方法研究[D];內(nèi)蒙古科技大學(xué);2015年

，

本文編號(hào)：1525261