基于ACPSO-SVDD的齿轮箱故障异常检测方法研究

发布时间：2021-03-17 09:14

　　针对设备关键部件异常检测中故障数据缺失以及故障程度划分问题,对齿轮箱的各种类型故障进行了异常检测研究,提出了基于自适应混沌粒子群优化的支持向量数据描述方法。该方法引入了自适应混沌理论,对传统粒子群优化算法进行了改进,增强了粒子跳出局部最优解的能力,提高了粒子群体对最优解的全局搜索能力;采用ACPSO对SVDD的惩罚因子以及核参数进行了参数寻优,并应用于齿轮箱减速器的异常检测中。研究结果表明:ACPSO-SVDD异常检测方法不仅能够对不同类型的故障异常进行准确检测,而且能够对故障损伤程度进行量化分析。 

【文章来源】：机电工程. 2020,37(04)北大核心

【文章页数】：6 页

【图文】：

不同状态下的齿轮

特征敏感值

ACPSO与PSO适应度曲线对比

【参考文献】：
期刊论文
[1]基于遗传粒子群优化算法的认知无线电系统功率分配[J]. 王宏志,姜方达,周明月.  吉林大学学报(工学版). 2019(04)
[2]单类学习下基于VSAPSO-BP的掘进机异常检测方法[J]. 杨健健,唐至威,王晓林,王子瑞,吴淼.  振动.测试与诊断. 2019(01)
[3]基于改进粒子群算法的装配序列规划研究[J]. 罗留祥,邢彦锋.  轻工机械. 2018(01)
[4]采用自适应变异粒子群优化SVM的行为识别[J]. 张国梁,贾松敏,张祥银,徐涛.  光学精密工程. 2017(06)
[5]基于自适应搜索中心的骨干粒子群算法[J]. 王东风,孟丽,赵文杰.  计算机学报. 2016(12)
[6]基于GA-SVDD的轴承性能退化评估[J]. 丛华,谢金良,张丽霞,冯辅周.  装甲兵工程学院学报. 2012(01)
[7]小波包-支持向量数据描述在轴承性能退化评估中的应用研究[J]. 潘玉娜,陈进.  振动与冲击. 2009(04)
[8]基于支持向量数据描述的机械故障诊断研究[J]. 李凌均,张周锁,何正嘉.  西安交通大学学报. 2003(09)



本文编号：3086915