基于粒子群优化的齿轮箱智能故障诊断研究

发布时间：2020-08-26 06:09

【摘要】： 对复杂机械系统进行状态监测与故障诊断是人们普遍重视和关注的课题,本文在深入系统地研究粒子群优化算法理论以及算法参数、性能的基础上,提出了基于参数策略的粒子群改进算法,以齿轮箱为研究对象,研究基于粒子群优化的齿轮箱智能故障诊断理论与方法,主要研究内容及结论如下: 1.阐述了粒子群优化算法的基本原理,通过对其粒子速度进化方程的分析,研究粒子本身的行为和社会行为以及主要控制参数对粒子群优化算法性能的影响。 2.为了改善了基本粒子群优化算法收敛性能,提出了两种基于参数改进策略的粒子群优化算法,即动态加速常数的粒子群优化算法和速度自适应粒子群优化算法,改进算法是在基本算法中分别将加速常数和最大限制速度设置为随进化代数变化的函数,并在测试函数和神经网络中进行了仿真研究,结果表明:改进算法加快了基本算法的收敛速度,并给出了改进算法参数的合理取值范围。进一步研究了加速常数、最大限制速度与惯性权重之间互相协同对粒子群优化算法的控制的优劣问题。结论是采用动态加速常数协同惯性权重的粒子群优化算法,可以克服标准粒子群算法搜索后期陷入局部搜索的不利之处,算法具有良好的性能。 3.针对核主元分析方法在核函数参数选择上的盲目性,提出并实现了基于粒子群优化的核主元分析的故障特征选择方法。建立以Fisher判别函数为优化目标的适应度,利用粒子群算法中多个随机粒子实现核函数参数的优化,改善了核主元分析方法的性能。通过IRIS数据仿真分析,验证了该方法用于特征向量的选择的正确性和有效性。将优化的核主元分析方法应用于齿轮箱典型故障的特征提取中,结果表明:参数优化的核主元分析能有效地降低齿轮箱特征向量的维数,较线性主元分析取得更好故障识别效果。该方法在机械故障信号的非线性特征提取中具有优势。 4.提出了基于粒子群优化的齿轮箱传感器优化配置方法,解决多测点传感器的布置和定位问题。建立了基于模态置信准则的适应度,根据齿轮箱有限元模态计算结果,用改进的粒子群优化算法寻求满足适应度要求的传感器布置方案,齿轮箱试验模态分析和频响特性分析的结果验证了所提出的方法的合理性。 5.提出了基于动态加速常数和速度自适应粒子群优化的智能故障诊断方法。以齿轮箱振动信号的时、频域特征为神经网络输入,以齿轮箱的主要故障形式为输出,建立基于粒子群优化算法神经网络故障诊断系统。在训练和诊断过程中,粒子群优化算法作为一种粗优化或离线学习过程,调节和优化具有全局性的网络参数,如权值和阈值等;而用神经网络学习作为一种细优化或在线学习过程方法,优化具有局部性的参数。诊断结果表明:所提出的智能诊断方法提高了齿轮箱故障诊断性能,为非线性复杂系统的故障诊断效率和精度以及诊断自动化的提高提供一种通用的解决方案。
【学位授予单位】：中北大学
【学位级别】：博士
【学位授予年份】：2009
【分类号】：TH132.41;TP277
【图文】：

3 基于粒子群优化的核主元分析特征提取技术研究3．1 引言信号特征提取是机械设备状态监测与故障诊断的关键技术，如图3.1所示。特征提取方法有多种，如较常用的就是主元分析[74,75](principal component analysis ，简称PCA)方法，然而PCA是一种线性算法，只考虑二阶统计特性，只能提取数据中的线性关系。当机电设备信号特征存在着大量非线性关系时，已经不能满足要求[75]。图3.1 机械设备故障诊断关键技术核主元分析[66](kernel principal component analysis，简称KPCA)是一种非线性方法，它通过某种事先选择的非线性映射将原空间中的非线性问题转化为特征空间中的线性问题

图 3.3 基于粒子群优化的核函数参数优化流程图究建 Iris 仿真数据集证基于粒子群核主元分析特征选择方法的有效性和正确性析数据选用典型模式识别测试数据集之一 Iris 数据集。 Iris 花的四个属性：萼片长度、萼片宽度、花瓣长度和花，其中第一类花与后两类花是线性可分的，后两类花的花各有 50 组数据。将 150 组数据分为两个集合：训练据。训练和测试数据集样本分布由图 3.4 所示。

图 3.4 Iris 训练数据和测试数据分布图3．5．２ 粒子群优化核参数的实现及核主元分析结果在仿真实验中，先用粒子群优化方法对径向基函数进行参数寻优，然后对原始特征向量进行核主元分析，以达到降维和提取原始特征向量蕴含的非线性特征的目的。为了与主元分析进行比较，还采用了主元分析方法进行原始特征向量特征选择。粒子群优化的适应度进化过程曲线如图3．5(a)所示，核函数随宽度 w随进化代数的曲线如图3．5(b)-50x 108(a)（w*＝2.2637）2.352.4(b) 核函数宽度的进化过程

【参考文献】

相关期刊论文 前10条

1 王新峰,邱静,刘冠军;基于有监督核函数主元分析的故障状态识别[J];测试技术学报;2005年02期

2 潘明清;周晓军;吴瑞明;雷良育;;基于主元分析的支持向量数据描述机械故障诊断[J];传感技术学报;2006年01期

3 高渤;;粒子群优化算法的研究与展望[J];重庆工学院学报;2006年11期

4 潘宏侠,姚竹亭;齿轮传动系统状态检测与故障诊断[J];华北工学院学报;2001年04期

5 高海兵,高亮,周驰,喻道远;基于粒子群优化的神经网络训练算法研究[J];电子学报;2004年09期

6 李戈,秦权,董聪;用遗传算法选择悬索桥监测系统中传感器的最优布点[J];工程力学;2000年01期

7 柯晶,钱积新;应用粒子群优化的非线性系统辨识[J];电路与系统学报;2003年04期

8 赵艳丽,刘奇志,白士红;模糊关联方法在齿轮箱故障诊断中的应用[J];沈阳航空工业学院学报;2003年02期

9 刘淳安;陈一虎;;微粒群优化算法的研究现状与发展[J];海南大学学报(自然科学版);2006年03期

10 邱英;D-S证据推理在机械故障诊断中的应用[J];华东交通大学学报;2004年02期

相关博士学位论文 前1条

1 何学文;基于支持向量机的故障智能诊断理论与方法研究[D];中南大学;2004年

相关硕士学位论文 前2条

1 孙田甜;桥梁健康监测传感器的优化配置方法研究[D];大连理工大学;2008年

2 孟浩东;基于神经网络和灰色理论的传动箱故障诊断研究[D];中北大学;2005年

本文编号：2804811