【摘要】：針對表征齒輪故障信息的特征難提取與支持向量機的結(jié)構(gòu)參數(shù)基于經(jīng)驗選取,致使齒輪故障分類模型泛化能力弱、精度差的問題,提出一種基于相空間奇異值分解與AFSA-SVM的齒輪故障診斷方法。該方法首先將齒輪振動信號進行相空間重構(gòu),并對重構(gòu)矩陣進行奇異值分解得到奇異值特征向量;其次,利用人工魚群算法優(yōu)化支持向量機的懲罰系數(shù)與高斯核寬度系數(shù),建立AFSA-SVM的齒輪故障分類模型;最后,將奇異值特征向量作為模型輸入進行齒輪不同故障狀態(tài)的分類識別。實驗結(jié)果表明:與基于BP、SVM和PSO-SVM的故障分類方法相比,基于相空間奇異值分解與AFSASVM的齒輪故障診斷方法具有更高的分類精度,更強的泛化能力。
【圖文】：

擲嗑鄐群頭夯狴?力。其中，懲罰系數(shù)C是擬合函數(shù)平滑性和分類精度的折中。C過大，訓(xùn)練精度高，泛化能力差;C過小，則訓(xùn)練誤差大。高斯核系數(shù)σ影響著支持向量間的相關(guān)程度。σ過小，支持向量聯(lián)系較松弛、模型復(fù)雜，推廣能力差;σ過大，支持向量間聯(lián)系過強，則分類模型精度低。因此，合理選擇這兩個參數(shù)能夠明確提高模型的分類精度和泛化能力。如何找到這兩個參數(shù)的最優(yōu)組合，目前尚沒有統(tǒng)一的理論方法，通常采用網(wǎng)格搜索法和交叉驗證法。對此，采用AFSA優(yōu)化算法來尋找SVM的兩個參數(shù)的最優(yōu)值，其優(yōu)化流程如圖1所示。圖1AFSA優(yōu)化SVM算法流程3AFSA優(yōu)化SVM齒輪診斷模型的構(gòu)建借助美國SpectraQuest公司動力傳動故障診斷綜合實驗臺(圖2)來驗證上述方法的有效性。該實驗臺的動力傳動系統(tǒng)由1個二級行星齒輪箱，1個由滾動軸承或套筒軸承支撐的二級平行軸齒輪箱(圖3)，1個軸承負載和1個可編程的磁勵制動器組成。實驗中，測點布置如圖3所示，其中測點1、2和3分別位于垂直徑向、水平徑向與軸向。采用ZonicBook/618E測試儀和加速度傳感器對三個測點的振動信號進行采集，采樣頻率為5120Hz，分析數(shù)據(jù)使用的采樣點數(shù)為1024個，電機轉(zhuǎn)速設(shè)為2100r/min。圖2動力傳動故障診斷綜合實驗臺圖3平行軸齒輪箱的傳動結(jié)構(gòu)簡圖3．1特征提取通過依次對圖4直齒漸開線齒輪Z2(m=4．5;z=29)進行正常、斷齒、齒根裂紋和齒面磨損四種故障件的更換，采集上述四種狀態(tài)下的振動加速度信號，獲得各60組數(shù)據(jù)，每組數(shù)據(jù)包含1024個采樣點。抽取每種狀態(tài)下40組數(shù)據(jù)作為訓(xùn)練樣本，余下20組作為測試樣本。對訓(xùn)練與測試樣本中每種狀態(tài)下的每個樣本分別建造相空間Hankel矩陣(維數(shù)設(shè)為25)，從而構(gòu)建一個25×1000的矩陣，后對矩陣進行奇異值分解得到25行1列的一個奇異

則訓(xùn)練誤差大。高斯核系數(shù)σ影響著支持向量間的相關(guān)程度。σ過小，支持向量聯(lián)系較松弛、模型復(fù)雜，推廣能力差;σ過大，支持向量間聯(lián)系過強，則分類模型精度低。因此，合理選擇這兩個參數(shù)能夠明確提高模型的分類精度和泛化能力。如何找到這兩個參數(shù)的最優(yōu)組合，目前尚沒有統(tǒng)一的理論方法，通常采用網(wǎng)格搜索法和交叉驗證法。對此，采用AFSA優(yōu)化算法來尋找SVM的兩個參數(shù)的最優(yōu)值，其優(yōu)化流程如圖1所示。圖1AFSA優(yōu)化SVM算法流程3AFSA優(yōu)化SVM齒輪診斷模型的構(gòu)建借助美國SpectraQuest公司動力傳動故障診斷綜合實驗臺(圖2)來驗證上述方法的有效性。該實驗臺的動力傳動系統(tǒng)由1個二級行星齒輪箱，1個由滾動軸承或套筒軸承支撐的二級平行軸齒輪箱(圖3)，1個軸承負載和1個可編程的磁勵制動器組成。實驗中，測點布置如圖3所示，其中測點1、2和3分別位于垂直徑向、水平徑向與軸向。采用ZonicBook/618E測試儀和加速度傳感器對三個測點的振動信號進行采集，采樣頻率為5120Hz，分析數(shù)據(jù)使用的采樣點數(shù)為1024個，電機轉(zhuǎn)速設(shè)為2100r/min。圖2動力傳動故障診斷綜合實驗臺圖3平行軸齒輪箱的傳動結(jié)構(gòu)簡圖3．1特征提取通過依次對圖4直齒漸開線齒輪Z2(m=4．5;z=29)進行正常、斷齒、齒根裂紋和齒面磨損四種故障件的更換，采集上述四種狀態(tài)下的振動加速度信號，獲得各60組數(shù)據(jù)，每組數(shù)據(jù)包含1024個采樣點。抽取每種狀態(tài)下40組數(shù)據(jù)作為訓(xùn)練樣本，余下20組作為測試樣本。對訓(xùn)練與測試樣本中每種狀態(tài)下的每個樣本分別建造相空間Hankel矩陣(維數(shù)設(shè)為25)，從而構(gòu)建一個25×1000的矩陣，后對矩陣進行奇異值分解得到25行1列的一個奇異值特征向量。將訓(xùn)練與測試樣本分別進行上述操作，，即得到一個25×40的訓(xùn)練樣本相空間奇異值特征矩陣與25×20的測?

【相似文獻】

相關(guān)期刊論文 前10條

1 熊軍;李鳳英;沈玉娣;;齒輪故障診斷技術(shù)應(yīng)用綜述[J];機床與液壓;2005年12期

2 周湛學;齒輪故障診斷的新方法[J];價值工程;1998年01期

3 趙章焰;齒輪故障診斷模糊判據(jù)的研究[J];振動與沖擊;2002年02期

4 李延斌,鄭 鵬,張文祥,陳長征;齒輪故障診斷技術(shù)現(xiàn)狀與展望[J];機械設(shè)計與制造;2002年02期

5 陳新國;程耕國;;基于小波分析的齒輪故障診斷方法的研究[J];機械傳動;2005年06期

6 駱志高;仇學青;田海泉;;齒輪故障診斷研究的國內(nèi)現(xiàn)狀與發(fā)展方向[J];礦山機械;2006年01期

7 王鳳利;馬孝江;;基于局域波時頻分析的齒輪故障診斷[J];農(nóng)業(yè)機械學報;2006年12期

8 胡小江;;灰色系統(tǒng)理論在齒輪故障診斷中的應(yīng)用[J];通用機械;2007年09期

9 楊德斌;楊聚星;陽建宏;章立軍;;基于聲信號分析的齒輪故障診斷方法[J];北京科技大學學報;2008年04期

10 程軍圣;楊宇;于德介;;局部均值分解方法及其在齒輪故障診斷中的應(yīng)用[J];振動工程學報;2009年01期

相關(guān)會議論文 前6條

1 趙章焰;;齒輪故障診斷的原理及應(yīng)用[A];中國的經(jīng)濟建設(shè)與21世紀的物料搬運技術(shù)——中國機械工程學會物料搬運分會第五屆學術(shù)年會論文集[C];1996年

2 劉立州;李志農(nóng);范濤;;分數(shù)階Fourier變換在齒輪故障診斷中的應(yīng)用[A];2008年全國振動工程及應(yīng)用學術(shù)會議暨第十一屆全國設(shè)備故障診斷學術(shù)會議論文集[C];2008年

3 張立國;張生;谷建平;康科;;小波包分析在齒輪故障診斷中的應(yīng)用[A];第六屆全國信息獲取與處理學術(shù)會議論文集（3）[C];2008年

4 曹志錫;孫莉;;齒輪故障診斷信號分析處理的一種有效方法[A];中國職業(yè)安全健康協(xié)會2007年學術(shù)年會論文集[C];2007年

5 李長吾;呂江濤;張立國;陳白;;基于小波分析的齒輪故障診斷方法的研究[A];第三屆全國信息獲取與處理學術(shù)會議論文集[C];2005年

6 劉鋒;馬懷祥;葛寶珊;;基于經(jīng)驗?zāi)B(tài)分解和包絡(luò)分析的齒輪故障診斷[A];現(xiàn)代振動與噪聲技術(shù)（第九卷）[C];2011年

相關(guān)碩士學位論文 前10條

1 趙鵬飛;基于LabVIEW的齒輪故障診斷系統(tǒng)設(shè)計[D];中北大學;2016年

2 胡長海;減速機齒輪故障診斷方法的研究[D];昆明理工大學;2009年

3 楊怡;基于局部均值分解的齒輪故障診斷方法[D];湖南大學;2012年

4 成瓊;基于小波分析的齒輪故障診斷研究[D];湖南大學;2001年

5 壽海飛;基于小波分析的齒輪故障診斷研究[D];浙江工業(yè)大學;2007年

6 王彬彬;小波分析在微動齒輪故障診斷的應(yīng)用與研究[D];南昌大學;2010年

7 王文莉;基于高階譜的齒輪故障診斷與識別[D];武漢科技大學;2007年

8 王文歡;基于隱馬爾科夫模型的齒輪故障診斷[D];南昌航空大學;2014年

9 趙國慶;基于小波降噪與HHT方法的齒輪故障診斷方法[D];武漢科技大學;2007年

10 何小華;基于磨損識別的齒輪故障診斷研究[D];武漢工程大學;2012年

本文編號：2563381