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

1、齒輪箱常作為動力傳導(dǎo)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(xiàn)代的工業(yè)制造設(shè)備中得到了極其普遍的應(yīng)用。因為其本身的組成比較的復(fù)雜以及工作場所的位置環(huán)境比較差，內(nèi)部的齒輪、軸承等零件在運轉(zhuǎn)過程中就會因為各種因素很容易使其受到損傷而產(chǎn)生一系列的故障。一旦發(fā)生故障，經(jīng)常會帶來一些連鎖效應(yīng)，直接導(dǎo)致整個設(shè)備甚至整個機械系統(tǒng)在運轉(zhuǎn)時出現(xiàn)異常并造成生產(chǎn)事故，給企業(yè)造成重大的經(jīng)濟損失以及難以估量的社會負面效應(yīng)。據(jù)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(zhuǎn)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(yīng)了齒輪箱的故障診斷結(jié)果是否的準確。對此，運用變分模態(tài)分解理論，并結(jié)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(nèi)容如下：
　　1)基于變分模態(tài)分解以及相關(guān)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(jīng)驗?zāi)B(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(xiàn)混疊、端點發(fā)散效應(yīng)等缺陷，將變分模態(tài)分解方法(Variational Mode Decomposition，VMD)應(yīng)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(diào)、形態(tài)平均濾波降噪相結(jié)合，對齒輪箱中的關(guān)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(guān)鍵部件故障診斷研究。針對支持向量機中自身的結(jié)構(gòu)參數(shù)往往依據(jù)人為的經(jīng)驗來選取，導(dǎo)致分類模型的精度會出現(xiàn)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(shù)中懲罰系數(shù)與核寬度系數(shù)，尋找其最優(yōu)的參數(shù)組合，以此來提高SVM故障辨識模型的分類精度。首