基于VPSO-SVDD与WSOM的航空齿轮异常检测与状态辨识
发布时间：2020-11-15 02:18
齿轮传动系统作为航空零部件中比较重要的部分,其工作状态往往直接关系到整个飞行器的性能,考虑到航空齿轮传动设备常工作在比较苛刻的条件下,运行速度快,载荷大,为航空零部件中最容易损坏的部分之一。因此对齿轮传动系统的运行状态以及故障类别进行辨识具有非常重要的意义。鉴于此,本文的研究工作主要包括了以下几个方面:针对航空齿轮其微弱故障信息单从信号的时域和频域难以判别的问题,本文在时域,频域特征基础上增加小波域,以及变分模态分解(Variational Mode Deco mposition,VMD)分量熵值等附加特征。针对大量的特征值采用了迭代自组织数据分析-二进制粒子群(Iterative Selforganizing Data Analysis-Binary Particle Swarm Optimizer,ISODATA-BPSO)特征筛选算法,达到选择出最优特征子集具有最小冗余的效果。实验分析对比了几种不同特征选择算法,从实验结果展示的二维特征分布图中可看出,该特征选择算法具有较好的应用效果。航空齿轮对安全性要求极高,文中采用了支持向量数据描述(Support Vector Data Description,SVDD)模型对航空齿轮传动系统进行了新异类检测。在支持向量数据描述的理论基础上,对基于不同核函数的支持向量数据描述算法的性能进行了对比,并分析了各种核函数的应用范围和优缺点,最终提出了基于高斯核函数的支持向量数据描述算法。除此之外,高斯核函数中的核参数和SVDD算法中惩罚因子的选择对算法性能具有较大的影响,文中还利用了变异粒子群(Variable pa rticle swarm optimization,VPSO)对惩罚因子与核参数进行参数寻优,并将寻优前后的结果做了对比,实验结果表明,优化之后的SVDD具有较高的检测精度。在设备新异类检测完成的基础上,本文采用了WSOM(The Weighted Self-org anizing Feature Map)对设备进行状态识别以及复合故障状态的识别。基于SOM神经网络的基本理论,本文对SOM算法初始权值的设置以及权值更新方式进行了优化,采用了“正态概率分布”权值初始化,来减少SOM神经网络出现“死神经元”的情况,并修改了SOM网络中权值更新方式来提高神经网络的性能。并将优化前后的SOM神经网络性能进行了对比,从实验结果看出:优化之后的WSOM在对设备具有更高的精度以及较好的时效性。
【学位单位】：重庆大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：TP18;V267
【部分图文】：
子位置（即惩罚因子与核参数）带入 SVDD 分类器中度；群最大适应度值对应的粒子位置作为局部最优值，将该较大值作为全局最优；前粒子位置为全局最优位置则变异粒子对其位置重新子位置按照式(3.6)，速度按照式(3.5)进行更新；（2）-（5）过程，直至迭代停止。证SVDD 的航空齿轮箱异常检测及性能测试塞尔自由大学的航空齿轮箱公开数据对本章算法进行转时的振动数据对 SVDD 模型进行训练，将训练的模行检测，测试数据包括正常样本以及三种不同的异常4.5 所示：
（a） （b）图 5.5 SOM（a）与 WSOM（b）神经元响应结果Fig 5.5 Response of SOM (a) and WSOM (b) neurons上图中神经元按照从左至右，从下至上进行编号。从图中看出，原始 SOM算法的 2 号神经元为“死神经元”，没有响应任何一个样本的输入，对于 1 号神经元与 3 号神经元，SOM 网络将轻度剥落部分样本识别为正常，即本应由 3 号神经元响应的样本最终由 1号神经元响应了，该结果与上一章 SVDD 算法有相似之处，出现了轻度剥落与正常状态区分不明显。4 号神经元同时响应了重度剥落与磨损两种故障状态，即训练的神经网络无法辨识出这两种故障状态，且在训练过程的时效性也略差，达到了 12s。针对同样的实验样本数据，在训练次数同为 300 次，用四种状态下的样本各 50 个，测试样本各 30 个，WSOM 神经网络能完全辨识出正常，轻度剥落，重度剥落以及磨损这四种状态，且在运行时长方面有较大的缩减。下图分别为 SOM 与 WSOM 神经网络经过 300 次训练之后的权值分布图，为
重庆大学硕士学位论文择的特征最佳。出现六种状态特征分布难以分离的原因除了特征本身性质以及特征选择算法的影响外，还存在复合故障状态的影响，即点蚀与磨损复合故障，断齿与磨损复合故障。点蚀与磨损复合故障由于点蚀和磨损同时存在，同时包含了两种故障状态的特征，故这种复合异常状态的样本会与其组成的基本异常状态的样本难以分离。对于断齿与磨损复合故障同理。将六种状态下齿轮传动系统仿真数据用于验证 SOM 神经网络状态辨识，包括对复合故障状态的辨别。SOM 训练次数为 300，采用六边形拓扑结构，对四种基本状态进行测试，测试结果如下：
【参考文献】
本文编号：2884224
【学位单位】：重庆大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：TP18;V267
【部分图文】：
子位置（即惩罚因子与核参数）带入 SVDD 分类器中度；群最大适应度值对应的粒子位置作为局部最优值，将该较大值作为全局最优；前粒子位置为全局最优位置则变异粒子对其位置重新子位置按照式(3.6)，速度按照式(3.5)进行更新；（2）-（5）过程，直至迭代停止。证SVDD 的航空齿轮箱异常检测及性能测试塞尔自由大学的航空齿轮箱公开数据对本章算法进行转时的振动数据对 SVDD 模型进行训练，将训练的模行检测，测试数据包括正常样本以及三种不同的异常4.5 所示：
（a） （b）图 5.5 SOM（a）与 WSOM（b）神经元响应结果Fig 5.5 Response of SOM (a) and WSOM (b) neurons上图中神经元按照从左至右，从下至上进行编号。从图中看出，原始 SOM算法的 2 号神经元为“死神经元”，没有响应任何一个样本的输入，对于 1 号神经元与 3 号神经元，SOM 网络将轻度剥落部分样本识别为正常，即本应由 3 号神经元响应的样本最终由 1号神经元响应了，该结果与上一章 SVDD 算法有相似之处，出现了轻度剥落与正常状态区分不明显。4 号神经元同时响应了重度剥落与磨损两种故障状态，即训练的神经网络无法辨识出这两种故障状态，且在训练过程的时效性也略差，达到了 12s。针对同样的实验样本数据，在训练次数同为 300 次，用四种状态下的样本各 50 个，测试样本各 30 个，WSOM 神经网络能完全辨识出正常，轻度剥落，重度剥落以及磨损这四种状态，且在运行时长方面有较大的缩减。下图分别为 SOM 与 WSOM 神经网络经过 300 次训练之后的权值分布图，为
重庆大学硕士学位论文择的特征最佳。出现六种状态特征分布难以分离的原因除了特征本身性质以及特征选择算法的影响外，还存在复合故障状态的影响，即点蚀与磨损复合故障，断齿与磨损复合故障。点蚀与磨损复合故障由于点蚀和磨损同时存在，同时包含了两种故障状态的特征，故这种复合异常状态的样本会与其组成的基本异常状态的样本难以分离。对于断齿与磨损复合故障同理。将六种状态下齿轮传动系统仿真数据用于验证 SOM 神经网络状态辨识，包括对复合故障状态的辨别。SOM 训练次数为 300，采用六边形拓扑结构，对四种基本状态进行测试，测试结果如下：
【参考文献】
相关期刊论文 前10条
1 常贵春;叶俊勇;李阳;;基于EEMD样本熵和SVDD的在役锚固螺杆故障诊断研究[J];软件;2015年02期
2 马伦;康建设;赵春宇;吕雷;;基于Morlet小波变换的信号去噪及在轴承状态监测中的应用[J];机械科学与技术;2014年09期
3 罗颂荣;程军圣;郑近德;;基于ITD分形模糊熵的轴承早期故障诊断[J];振动.测试与诊断;2013年04期
4 丛华;谢金良;张丽霞;冯辅周;;基于GA-SVDD的轴承性能退化评估[J];装甲兵工程学院学报;2012年01期
5 刘小峰;李慧;柏林;彭永金;;时频相关匹配法在信号提纯中的应用[J];重庆大学学报;2011年11期
6 王峰丽;马为清;解飞;任丽辉;;航空航天领域的发展趋势和制造技术需求分析[J];制造技术与机床;2011年07期
7 蒋永华;汤宝平;董绍江;;自适应Morlet小波降噪方法及在轴承故障特征提取中的应用[J];仪器仪表学报;2010年12期
8 刘小峰;柏林;;角域AR谱技术在齿轮故障诊断中的应用[J];振动工程学报;2010年01期
9 蒋永华;汤宝平;刘文艺;董绍江;;基于参数优化Morlet小波变换的故障特征提取方法[J];仪器仪表学报;2010年01期
10 吕勇;李友荣;肖涵;王志刚;;基于加权相空间重构降噪及样本熵的齿轮故障分类[J];振动工程学报;2009年05期
本文编号：2884224
本文链接：https://www.wllwen.com/kejilunwen/hangkongsky/2884224.html
