發(fā)布時間：2021-03-17 09:14

　　針對設備關(guān)鍵部件異常檢測中故障數(shù)據(jù)缺失以及故障程度劃分問題,對齒輪箱的各種類型故障進行了異常檢測研究,提出了基于自適應混沌粒子群優(yōu)化的支持向量數(shù)據(jù)描述方法。該方法引入了自適應混沌理論,對傳統(tǒng)粒子群優(yōu)化算法進行了改進,增強了粒子跳出局部最優(yōu)解的能力,提高了粒子群體對最優(yōu)解的全局搜索能力;采用ACPSO對SVDD的懲罰因子以及核參數(shù)進行了參數(shù)尋優(yōu),并應用于齒輪箱減速器的異常檢測中。研究結(jié)果表明:ACPSO-SVDD異常檢測方法不僅能夠?qū)Σ煌愋偷墓收袭惓＿M行準確檢測,而且能夠?qū)收蠐p傷程度進行量化分析。 

【文章來源】：機電工程. 2020,37(04)北大核心

【文章頁數(shù)】：6 頁

【圖文】：

不同狀態(tài)下的齒輪

特征敏感值

ACPSO與PSO適應度曲線對比

【參考文獻】：
期刊論文
[1]基于遺傳粒子群優(yōu)化算法的認知無線電系統(tǒng)功率分配[J]. 王宏志,姜方達,周明月.  吉林大學學報(工學版). 2019(04)
[2]單類學習下基于VSAPSO-BP的掘進機異常檢測方法[J]. 楊健健,唐至威,王曉林,王子瑞,吳淼.  振動.測試與診斷. 2019(01)
[3]基于改進粒子群算法的裝配序列規(guī)劃研究[J]. 羅留祥,邢彥鋒.  輕工機械. 2018(01)
[4]采用自適應變異粒子群優(yōu)化SVM的行為識別[J]. 張國梁,賈松敏,張祥銀,徐濤.  光學精密工程. 2017(06)
[5]基于自適應搜索中心的骨干粒子群算法[J]. 王東風,孟麗,趙文杰.  計算機學報. 2016(12)
[6]基于GA-SVDD的軸承性能退化評估[J]. 叢華,謝金良,張麗霞,馮輔周.  裝甲兵工程學院學報. 2012(01)
[7]小波包-支持向量數(shù)據(jù)描述在軸承性能退化評估中的應用研究[J]. 潘玉娜,陳進.  振動與沖擊. 2009(04)
[8]基于支持向量數(shù)據(jù)描述的機械故障診斷研究[J]. 李凌均,張周鎖,何正嘉.  西安交通大學學報. 2003(09)



本文編號：3086915