论文部分内容阅读
汽车变速器的故障诊断是一个模式识别过程,但其结构复杂、运行工况变化频繁、背景噪声较大,在智能诊断领域一直是个难点。C均值聚类、BP神经网络作为两种常用的智能诊断方法,皆存在局部极值问题,导致诊断精度和稳定性较差。本文引入一种全新的萤火虫聚类方法,应用于机械故障识别,通过UCI数据和轴承数据验证该方法的有效性,结果表明全局寻优的萤火虫算法能够较好地解决C均值聚类局部极值问题。本文提出一种新的萤火虫神经网络,实现了神经网络参数的自动选取。UCI数据以及轴承数据表明,所提方法在训练效率、故障识别率上优于BP神经网络、遗传神经网络、粒子群神经网络。在已有研究基础上,对萤火虫算法进行改进,实现分区移动,提出一种萤火虫变结构神经网络算法(IFAVNN),在训练过程中实现了隐含层节点数的自动确定,通过轴承实验验证所提方法的有效性。利用传动试验台进行汽车变速器故障试验。采用萤火虫聚类、IFAVNN对同一工况以及不同工况下三类齿轮故障进行检测,分析了所提方法进行变速器故障诊断的诊断效果,通过与其他方法对比,验证了所提方法的有效性。