基于多特征融合和IGWO-MSVM的矿用齿轮箱故障诊断研究

发布时间：2020-08-10 17:40

【摘要】：随着我国工业化程度不断深化,机械设备作为工业生产必不可少的工具,越来越受到重视。而在煤矿的开采运行过程中,除了瓦斯渗透和水灾害能够对矿井乃至整个煤矿企业造成重大的影响外,矿用机械设备的平稳运行,也是煤矿开采可以安全生产的关键。矿用齿轮箱作为煤炭开采过程中的主要机械设备,其安全运行是整个矿井正常运行和整个煤矿企业安全生产的基础。因此,本文从管理维护的角度入手,通过齿轮箱各运行状态的振动信号,对矿用齿轮箱故障进行诊断,使煤炭开采工人能够提前做好维护和预防,对煤矿的安全开采具有重要意义。首先,由于矿用齿轮箱运行环境恶劣,运行过程中振动信号含有大量的噪声,具有非线性、不稳定性和不确定性的特点,收集到的原始信号需要做预先处理。通过对矿用齿轮箱产生故障时的内在机理分析,利用小波包分解与重构对齿轮箱故障信号进行降噪,去除振动信号中大量的外界无关信号,使其振动信号更加接近自身运行所产生的振动,为提取矿用齿轮箱信号特征提供基础。其次,通过降噪后的故障信号,再利用小波包分解过程中确定的故障信号高低频系数,计算故障振动信号的能量熵,然后计算各信号重构频带的样本熵,结合信号的均方差对振动信号的多特征进行提取。通过提取矿用齿轮箱能量熵、样本熵和统计量多特征向量,将齿轮箱的故障信号转变为可量化的特征结构,可以作为诊断模型的输入,是故障诊断模型构建的关键。最后,确定了一种基于改进灰狼优化算法优化多分类支持向量机的矿用齿轮箱故障诊断模型。在灰狼优化算法中利用差分进化算法对灰狼群位置进行更新,从而使灰狼算法的全局搜索能力得到提高。然后将改进灰狼算法和多分类支持向量机相结合,通过改进灰狼算法的全局搜索能力寻找多分类支持向量机的最优参数,进而提高故障诊断模型的准确性,然后通过案例分析验证该故障诊断模型应用于矿用齿轮箱故障诊断的可行性。本文的研究成果不仅丰富了矿用齿轮箱故障诊断研究理论,而且对煤矿机械的安全生产和运行提供了有效地理论指导。有助于使煤矿机械的运行性能得到提高,对煤矿机械设备的故障预防与维护具有实践意义。
【学位授予单位】：郑州大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TD407
【图文】：

最优化,风险,经验风险,函数集

用经验风险选择最优值的因此需要较低的 VC 维来保证原则的基本思想是在在降低经风险与实际风险的误差最小，函数集分解成函数集子序列：1 2 kS S S 子集内的置信范围一致，将各风险的影响，选择经验风险最。通过实际风险、经验风险和所示：

结构图,小波包,信号分解,三层

经过三层小波包分解后的原始信号 S 如下式所示：3 3 3 3 3 3 3 3S=LLL +HLL +LHL +HHL +LLH +HLH +LHH +HHH （3通过图 3.1 可以看出，原始信号 S 经小波包分解方法进行三层分解后， 8 个分解系数，其中，第三层的低频系数为 LLL3、HLL3、LHL3、HHL3，层的高频系数为 LLH3、HLH3、LHH3、HHH3，弥补了小波分解中只对 L分解而忽略 H1的不足，小波包通过对信号的高频和低频部分进行分解，能好的对信号进行分辨。小波包分解的公式如下，由{ }j 1,npq+求得{ }j ,2npq 和{ }j ,2 n1pq+,2 1,2,2 1 1,2j n j np l p llj n j np l p llq h qq g q+ + + = = （3小波包重构[66]的公式如下，由{ }j ,2npq 和{ }j ,2 n1pq+求得{ }j 1,npq+1, ,2 ,2 12 2( )j n j n j np p l l p l llq h d g d+ + = +（3

示意图,示意图,步骤,最优值

量机（Multi-class Support Vector M为ix ， i =1, ,n ，类别输出为 y函数 K( x,x)i和相关参数。10ni iiy α= =和 0i≤ α ≤ c下求解式（29），得到 w 最优值。类训练样本向量进行计算式（2.21样本继续重复步骤 2-步骤 5，直到结果。

【参考文献】