基于相空间奇异值分解与AFSA-SVM的齿轮故障诊断方法

发布时间：2019-11-20 03:54

【摘要】：针对表征齿轮故障信息的特征难提取与支持向量机的结构参数基于经验选取,致使齿轮故障分类模型泛化能力弱、精度差的问题,提出一种基于相空间奇异值分解与AFSA-SVM的齿轮故障诊断方法。该方法首先将齿轮振动信号进行相空间重构,并对重构矩阵进行奇异值分解得到奇异值特征向量;其次,利用人工鱼群算法优化支持向量机的惩罚系数与高斯核宽度系数,建立AFSA-SVM的齿轮故障分类模型;最后,将奇异值特征向量作为模型输入进行齿轮不同故障状态的分类识别。实验结果表明:与基于BP、SVM和PSO-SVM的故障分类方法相比,基于相空间奇异值分解与AFSASVM的齿轮故障诊断方法具有更高的分类精度,更强的泛化能力。
【图文】：

算法流程

掷嗑鄐群头夯狴?力。其中，惩罚系数C是拟合函数平滑性和分类精度的折中。C过大，训练精度高，泛化能力差;C过小，则训练误差大。高斯核系数σ影响着支持向量间的相关程度。σ过小，支持向量联系较松弛、模型复杂，推广能力差;σ过大，支持向量间联系过强，则分类模型精度低。因此，合理选择这两个参数能够明确提高模型的分类精度和泛化能力。如何找到这两个参数的最优组合，目前尚没有统一的理论方法，通常采用网格搜索法和交叉验证法。对此，采用AFSA优化算法来寻找SVM的两个参数的最优值，其优化流程如图1所示。图1AFSA优化SVM算法流程3AFSA优化SVM齿轮诊断模型的构建借助美国SpectraQuest公司动力传动故障诊断综合实验台(图2)来验证上述方法的有效性。该实验台的动力传动系统由1个二级行星齿轮箱，1个由滚动轴承或套筒轴承支撑的二级平行轴齿轮箱(图3)，1个轴承负载和1个可编程的磁励制动器组成。实验中，测点布置如图3所示，其中测点1、2和3分别位于垂直径向、水平径向与轴向。采用ZonicBook/618E测试仪和加速度传感器对三个测点的振动信号进行采集，采样频率为5120Hz，分析数据使用的采样点数为1024个，电机转速设为2100r/min。图2动力传动故障诊断综合实验台图3平行轴齿轮箱的传动结构简图3．1特征提取通过依次对图4直齿渐开线齿轮Z2(m=4．5;z=29)进行正常、断齿、齿根裂纹和齿面磨损四种故障件的更换，采集上述四种状态下的振动加速度信号，获得各60组数据，每组数据包含1024个采样点。抽取每种状态下40组数据作为训练样本，余下20组作为测试样本。对训练与测试样本中每种状态下的每个样本分别建造相空间Hankel矩阵(维数设为25)，从而构建一个25×1000的矩阵，后对矩阵进行奇异值分解得到25行1列的一个奇异

综合实验台,动力传动,故障诊断

则训练误差大。高斯核系数σ影响着支持向量间的相关程度。σ过小，支持向量联系较松弛、模型复杂，推广能力差;σ过大，支持向量间联系过强，则分类模型精度低。因此，合理选择这两个参数能够明确提高模型的分类精度和泛化能力。如何找到这两个参数的最优组合，目前尚没有统一的理论方法，通常采用网格搜索法和交叉验证法。对此，采用AFSA优化算法来寻找SVM的两个参数的最优值，其优化流程如图1所示。图1AFSA优化SVM算法流程3AFSA优化SVM齿轮诊断模型的构建借助美国SpectraQuest公司动力传动故障诊断综合实验台(图2)来验证上述方法的有效性。该实验台的动力传动系统由1个二级行星齿轮箱，1个由滚动轴承或套筒轴承支撑的二级平行轴齿轮箱(图3)，1个轴承负载和1个可编程的磁励制动器组成。实验中，测点布置如图3所示，其中测点1、2和3分别位于垂直径向、水平径向与轴向。采用ZonicBook/618E测试仪和加速度传感器对三个测点的振动信号进行采集，采样频率为5120Hz，分析数据使用的采样点数为1024个，电机转速设为2100r/min。图2动力传动故障诊断综合实验台图3平行轴齿轮箱的传动结构简图3．1特征提取通过依次对图4直齿渐开线齿轮Z2(m=4．5;z=29)进行正常、断齿、齿根裂纹和齿面磨损四种故障件的更换，采集上述四种状态下的振动加速度信号，获得各60组数据，每组数据包含1024个采样点。抽取每种状态下40组数据作为训练样本，余下20组作为测试样本。对训练与测试样本中每种状态下的每个样本分别建造相空间Hankel矩阵(维数设为25)，从而构建一个25×1000的矩阵，后对矩阵进行奇异值分解得到25行1列的一个奇异值特征向量。将训练与测试样本分别进行上述操作，，即得到一个25×40的训练样本相空间奇异值特征矩阵与25×20的测?

【相似文献】