基于粗糙集理論的齒輪箱故障診斷研究.pdf

1、齒輪箱是機械系統(tǒng)的重要傳動部件,故障發(fā)生率較高,其振動信號呈現非線性非平穩(wěn)的特點,故障程度、部位和類型等對特征參量的影響很大。在對齒輪箱進行監(jiān)測與故障診斷時,若監(jiān)測點選擇不當就不能采集到有效的故障信息,從而導致故障發(fā)生部位不易確定,敏感特征參量提取困難、故障模式識別率低。局域波分解方法將非平穩(wěn)時變信號自適應地分解展開并映射到時頻分析平面,能夠同時展示信號的時域和頻域信息的全貌;粗糙集理論的屬性約簡技術能夠優(yōu)化故障特征參量集,提取出敏感的

2、故障特征參量;最小二乘支持向量機的函數逼近效果良好,模式識別能力強,本文在采用局域波分解法處理故障信號以及深入研究粗糙集理論的基礎上,將粗糙集與最小二乘支持向量機相結合,建立了基于粗糙集支持向量機的齒輪箱智能故障診斷系統(tǒng)。本文的主要研究內容與結論如下:
　　(1)在分析齒輪箱振動特性的基礎上,提出采用局域波分解技術對齒輪箱故障信號進行處理并提取了初始的故障特征參量集。在局域波分解過程中,采用鏡像延拓與窗函數相結合的方法緩解了端點效

3、應問題,采用總體經驗模態(tài)分解方法有效解決了模態(tài)混疊問題,實驗結果表明這兩種方法在齒輪箱故障信號分解中取得了較好的效果。根據衡量故障特征參量集的指標,提出采用每個工況的均方根有效值衡量故障特征參量集的穩(wěn)定性,采用每個特征參量在六個工況之間的最小均值差衡量故障特征參量集的敏感性。實驗中分別提取了基于EEMD的歸一化能量特征參量集和基于EEMD的近似熵特征參量集,通過實際計算結果表明,前者與后者的敏感性基本一致,但是穩(wěn)定性要優(yōu)于后者,因此本文

4、采用了基于 EEMD的歸一化能量特征參量集進行齒輪箱故障診斷。
　　(2)提出一種基于改進 Naive Scaler算法的全局動態(tài)尋優(yōu)離散化算法。通過對Naive Scaler算法過程進行改進,確保能夠得到所有保證不可分辨關系的斷點;通過斷點均分樣本集、逐漸增加斷點的方法動態(tài)地從候選集中選擇斷點集,保證了整個信息系統(tǒng)分類能力不變的條件下斷點個數最少。通過與其它算法對比,實驗結果表明該算法得到的斷點個數較少,體現了其在連續(xù)屬性離散化

5、方面的優(yōu)越性。
　　(3)提出一種基于條件等價類的屬性約簡算法。該算法在核屬性集的基礎上,直接針對核屬性的條件類中不能正確劃入決策類的類,在核屬性之外的其余條件屬性中找到能夠區(qū)分該類的屬性,并添加到核屬性集中,從而得到最小屬性約簡集。而基于啟發(fā)式信息的屬性約簡算法無法保證所求約簡集一定是最小屬性約簡集,實驗結果表明該算法計算復雜度較低,提高了約簡效率。
　　(4)提出釆用粗糙集的屬性約簡技術對故障監(jiān)測點進行優(yōu)化配置。該方法將

6、六個故障監(jiān)測點的最小屬性約簡集融合成一個大決策表進行屬性約簡,根據每個監(jiān)測點的故障特征參量在最終約簡集中出現的頻次判定相應監(jiān)測點的分類能力,實驗結果表明該方法不需要對監(jiān)測對象建模,也不需要對其進行動力學分析,而是直接對監(jiān)測到的振動信號進行處理,根據各個測點的故障特征參量與故障種類之間的關聯程度選擇最佳測點,是一種行之有效的測點優(yōu)化配置方法。
　　(5)基于粗糙集理論提取決策規(guī)則的過程沒有學習歸納的能力,故障模式識別率較低。粗糙集理