基于粒子群優(yōu)化的齒輪箱智能故障診斷研究.pdf

1、對復雜機械系統(tǒng)進行狀態(tài)監(jiān)測與故障診斷是人們普遍重視和關注的課題，本文在深入系統(tǒng)地研究粒子群優(yōu)化算法理論以及算法參數(shù)、性能的基礎上，提出了基于參數(shù)策略的粒子群改進算法，以齒輪箱為研究對象，研究基于粒子群優(yōu)化的齒輪箱智能故障診斷理論與方法，主要研究內(nèi)容及結(jié)論如下： 1.闡述了粒子群優(yōu)化算法的基本原理，通過對其粒子速度進化方程的分析，研究粒子本身的行為和社會行為以及主要控制參數(shù)對粒子群優(yōu)化算法性能的影響。 2.為了改善了基本粒

2、子群優(yōu)化算法收斂性能，提出了兩種基于參數(shù)改進策略的粒子群優(yōu)化算法，即動態(tài)加速常數(shù)的粒子群優(yōu)化算法和速度自適應粒子群優(yōu)化算法，改進算法是在基本算法中分別將加速常數(shù)和最大限制速度設置為隨進化代數(shù)變化的函數(shù)，并在測試函數(shù)和神經(jīng)網(wǎng)絡中進行了仿真研究，結(jié)果表明：改進算法加快了基本算法的收斂速度，并給出了改進算法參數(shù)的合理取值范圍。進一步研究了加速常數(shù)、最大限制速度與慣性權重之間互相協(xié)同對粒子群優(yōu)化算法的控制的優(yōu)劣問題。結(jié)論是采用動態(tài)加速常數(shù)協(xié)同慣

3、性權重的粒子群優(yōu)化算法，可以克服標準粒子群算法搜索后期陷入局部搜索的不利之處，算法具有良好的性能。 3.針對核主元分析方法在核函數(shù)參數(shù)選擇上的盲目性，提出并實現(xiàn)了基于粒子群優(yōu)化的核主元分析的故障特征選擇方法。建立以Fisher判別函數(shù)為優(yōu)化目標的適應度，利用粒子群算法中多個隨機粒子實現(xiàn)核函數(shù)參數(shù)的優(yōu)化，改善了核主元分析方法的性能。通過IRIS數(shù)據(jù)仿真分析，驗證了該方法用于特征向量的選擇的正確性和有效性。將優(yōu)化的核主元分析方法應用

4、于齒輪箱典型故障的特征提取中，結(jié)果表明：參數(shù)優(yōu)化的核主元分析能有效地降低齒輪箱特征向量的維數(shù)，較線性主元分析取得更好故障識別效果。該方法在機械故障信號的非線性特征提取中具有優(yōu)勢。 4.提出了基于粒子群優(yōu)化的齒輪箱傳感器優(yōu)化配置方法，解決多測點傳感器的布置和定位問題。建立了基于模態(tài)置信準則的適應度，根據(jù)齒輪箱有限元模態(tài)計算結(jié)果，用改進的粒子群優(yōu)化算法尋求滿足適應度要求的傳感器布置方案，齒輪箱試驗模態(tài)分析和頻響特性分析的結(jié)果驗證了所

5、提出的方法的合理性。 5.提出了基于動態(tài)加速常數(shù)和速度自適應粒子群優(yōu)化的智能故障診斷方法。以齒輪箱振動信號的時、頻域特征為神經(jīng)網(wǎng)絡輸入，以齒輪箱的主要故障形式為輸出，建立基于粒子群優(yōu)化算法神經(jīng)網(wǎng)絡故障診斷系統(tǒng)。在訓練和診斷過程中，粒子群優(yōu)化算法作為一種粗優(yōu)化或離線學習過程，調(diào)節(jié)和優(yōu)化具有全局性的網(wǎng)絡參數(shù)，如權值和閾值等；而用神經(jīng)網(wǎng)絡學習作為一種細優(yōu)化或在線學習過程方法，優(yōu)化具有局部性的參數(shù)。診斷結(jié)果表明：所提出的智能診斷方法提高