论文部分内容阅读
随着现代工业机械化的飞速发展,齿轮箱安全运转的可靠性高低直接关系到生产的安全性。齿轮是齿轮箱中最重要的零部件之一,它工作状态的好坏直接影响到整个齿轮箱的工作状态。目前,对于齿轮故障诊断,企业的大多数做法是靠有经验的人力听齿轮转动的声音来判断齿轮的好坏,再者就是通过专业人员判断齿轮振动信号的波形特征来辨别齿轮故障类型,对人力的业务要求较高。因此,借助相关仪器对齿轮噪声携带的信息进行采集,分析其特征规律,然后利用现代的智能技术对其进行诊断研究,及早发现齿轮的异常,并准确判断设备故障的类型及部位,是一件非常有意义的工作。
目前齿轮故障诊断的过程中,运用传统的特征提取方法较多,如频域分析法、包络分析法、小波分析法等方法。但是在齿轮故障诊断过程中,由于故障产生的原因不清楚,故障的表现形式也不惟一,有时是模糊的,有时是缺失的,在提取齿轮故障特征时也常常伴有盲目性,从而导致了实际所描述的齿轮状态是不清晰的、不精确的、不分明的,然而这种状态正是粗糙集理论所研究的对象。将粗糙集理论引入既可从完备的信息系统中得出正确的诊断规则,也可以从非完备的信息系统中得出令人满意的齿轮诊断规则。BP神经网络有着逼近任意非线性函数的能力,而且算法简单高效,可用于复杂系统建模。智能方法被广泛的引入到齿轮故障诊断中,粗糙集与神经网络技术的结合为齿轮故障诊断分析提供了新的途径,使故障诊断达到系统化、智能化,同时大大提高了齿轮故障诊断精度。
为此,本文基于粗糙集的思想,以海量动态知识为研究对象,主要研究了决策表的知识约简算法,在基础的约简算法上提出了基于PCA的完备快速动态知识约简算法,能有效地对一致和不一致决策表进行知识约简,并利用UCI数据集对算法进行验证,实验结果表明算法是有效且高效的。建立了基于粗糙集与神经网络技术的齿轮故障分析模型,根据该模型实现了基于粗糙集与神经网络技术的齿轮故障仿真分析软件,并对实际采集的齿轮故障数据进行了诊断分析,诊断出的结果表明与实际情况是一致,为齿轮箱的齿轮故障诊断提供决策依据。