基于變分模態(tài)分解與AFSA-SVM相結合的齒輪箱關鍵部件故障診斷應用研究.pdf

1、齒輪箱常作為動力傳導與部件之間相互連接的橋梁，在軍工、汽車、各種用途的工程機械等現代的工業(yè)制造設備中得到了極其普遍的應用。因為其本身的組成比較的復雜以及工作場所的位置環(huán)境比較差，內部的齒輪、軸承等零件在運轉過程中就會因為各種因素很容易使其受到損傷而產生一系列的故障。一旦發(fā)生故障，經常會帶來一些連鎖效應，直接導致整個設備甚至整個機械系統(tǒng)在運轉時出現異常并造成生產事故，給企業(yè)造成重大的經濟損失以及難以估量的社會負面效應。據統(tǒng)計，齒輪與滾動軸

2、承故障約占齒輪箱故障的80%左右。因此，及時準確的對齒輪箱中的齒輪與軸承進行診斷保證其正常運轉就顯得非常有意義。
　　振動信號的故障特征成分的提取在齒輪箱的故障診斷研究中是起到了決定性的作用，它直接反應了齒輪箱的故障診斷結果是否的準確。對此，運用變分模態(tài)分解理論，并結合形態(tài)平均濾波降噪、奇異值差分譜、對稱差分能量算子、支持向量機等方法進行研究，具體內容如下：
　　1)基于變分模態(tài)分解以及相關分析的齒輪箱故障診斷頻譜分析方法的

3、研究。針對傳統(tǒng)的集合經驗模態(tài)分解（Ensemble Empirical Mode Decomposition，EEMD）存在運算過程中的各模態(tài)沒有有效分離而出現混疊、端點發(fā)散效應等缺陷，將變分模態(tài)分解方法(Variational Mode Decomposition，VMD)應用在齒輪箱的一些故障診斷中，分別與奇異值差分譜、對稱差分能量算子解調、形態(tài)平均濾波降噪相結合，對齒輪箱中的關鍵部件滾動軸承、齒輪進行故障診斷，驗證這些方法的可靠性

4、以及優(yōu)越性。
　　2)基于AFSA-SVM狀態(tài)辨識模型的齒輪箱關鍵部件故障診斷研究。針對支持向量機中自身的結構參數往往依據人為的經驗來選取，導致分類模型的精度會出現比較差的問題，利用人工魚群算法(Artificial Fish Swarm Algorithm，AFSA)優(yōu)化支持向量機(Support Vector Machines，SVM)參數中懲罰系數與核寬度系數，尋找其最優(yōu)的參數組合，以此來提高SVM故障辨識模型的分類精度。首