發(fā)布時間：2020-11-17 23:55

　　 為有效降低齒輪箱故障特征的維數(shù)并提高診斷效率,提出了基于鄰域?qū)傩灾匾扰c主成分分析法相結(jié)合的齒輪箱故障特征約簡方法,并利用支持向量機和BP神經(jīng)網(wǎng)絡對診斷的準確率進行對比分析。針對齒輪箱中具有不同程度裂紋的齒輪,選取其時域、頻域和基于希爾伯特變換的36個特征;將鄰域模型引入到特征屬性的約簡,構(gòu)造前向貪心算法,以鄰域?qū)傩灾匾容^大的9個特征作為特征集,提取累積貢獻率達到95%以上的主成分,分別輸入支持向量機和BP神經(jīng)網(wǎng)絡分類器中進行分類識別,并與不經(jīng)過特征優(yōu)選的主成分特征融合相對比。結(jié)果表明,采用基于鄰域?qū)傩灾匾扰c主成分分析法相結(jié)合的特征約簡方法,既可以降低齒輪箱故障特征的維數(shù),又不影響對其運行狀態(tài)的表征,有助于識別不同裂紋水平的齒輪,與不經(jīng)過特征優(yōu)選直接進行融合的方法相比,所提出方法診斷準確率更高,訓練時間更短。
【文章目錄】：
0 引言
1 齒輪箱特征定義及其分類
2 齒輪箱振動實驗
3 基于鄰近粗糙集屬性重要度的屬性約簡
    3.1 前向貪心數(shù)值屬性約簡
    3.2 基于鄰域?qū)傩灾匾鹊凝X輪箱特征優(yōu)選
    3.3 優(yōu)選特征的變化趨勢分析
4 基于特征優(yōu)選與PCA相結(jié)合的齒輪箱故障特征融合
    4.1 特征融合方案分析
        4.1.1 融合方案一大,其下降速率也增長。
        4.1.2 融合方案二
    4.2 分析討論
5 結(jié)束語


本文編號：2888075