论文部分内容阅读
针对齿轮箱具备传动比稳定、传动扭矩较大以及结构紧凑等特点,其在调整旋转机械设备转速和传递动力上的作用是无可替代。由于齿轮箱发生故障的几率非常高,当齿轮箱处于故障状态时,旋转机械设备的整体功能将会受到严重的影响。因此,研究齿轮箱的故障诊断方法是十分有意义的。本文针对齿轮箱的故障诊断方法进行如下研究:(1)针对变分模态分解(Variational Mode Decomposition,VMD)中分解模态个数需要凭经验去预先设置这一问题,提出一种基于幅值谱的粒子群优化算法(Particle Swarm Optimization,PSO)优化VMD参数的方法,并将其运用到齿轮故障的特征参数提取中。首先,使用PSO对VMD的两个参数K和α进行优化;其次,使用参数优化后的VMD对齿轮振动数据进行分解得到K个模态分量;再者,将K个模态分量构造出的矩阵进行奇异值分解,可得K个奇异值并将其构成齿轮故障特征向量;最后,用特征向量构造欧氏距离分类器来诊断齿轮故障。将该方法用于旋转机械及故障模拟试验平台,仿真结果表明可以有效地提取齿轮故障的特征和进行故障诊断。(2)为了解决单一评价准则难以全面评价齿轮各特征参数对故障的敏感度问题,提出一种基于D-S证据理论多准则融合的特征参数选择方法。首先。依据ReliefF算法、离散度比和改进距离法三种评价准则分别对齿轮特征参数进行评价。然后,根据D-S证据理论对三种特征评价结果进行证据融合,得到综合权值向量。最后,依据综合权值的大小,确定最优特征子集。利用实测数据对该方法进行验证,结果表明,与三种单准则特征选择方法和排序特征融合法相比,该方法有效地提高了故障诊断的准确性。(3)为了进一步提高诊断的精度,本文应用高斯加权的改进KNN分类方法对齿轮进行故障诊断。因为该算法依据每个近邻样本与测试样本之间的距离来确定每个近邻样本的权值,从而能够有效地放大不同类样本之间的距离,使得其分类准确率得到提升。最后与KNN和LDA对比分析,结果表明改进KNN算法诊断效果较为优异。