基于群体智能优化算法的齿轮箱故障诊断技术研究

• 作 者: 姬盛飞
• 出 处: 华北水利水电大学
• 发表日期: 2020年01期
• 关键词: 齿轮箱 群体智能 故障诊断 混合蛙跳算法 人工鱼群算法

齿轮箱作为机械设备的重要部件,在机械领域中有着广泛的应用,其工作环境的复杂性和恶劣性直接决定了整台设备的运行情况。如果齿轮箱在运行过程中产生故障问题,不仅会给生产效益带来一定的损失,而且还会对人身安全埋下隐患甚至造成伤害。因此,在保障设备正常运行和保护生命财产安全方面,对齿轮箱的运行状态进行及时的监测和诊断具有重要的应用价值和意义。本文以实验室的齿轮箱为研究对象,以齿轮箱的故障类型和故障机理为理论基础,主要从时域和频域两个方面对齿轮箱的故障类型进行了研究。通过HG8916数据采集仪采集了齿轮箱在正常工况下和几种模拟故障工况下的时域特征振动信号,并将特征信号的数据以.txt格式保存。通过改进阈值去噪的方法对振动信号进行去噪处理后,本文首先从频域角度对齿轮箱故障进行了频谱分析,其次在群体智能优化算法的基础上从时域角度对齿轮箱故障进行了分析。群体智能优化算法是近些年发展起来的新型算法,其核心思想是由一些简单的个体组合成一个群体,通过个体相互之间的合作、交叉、学习等一系列机制和功能来完成对目标问题的求解。群体智能优化算法涵盖了多种类型的智能优化算法,比如有:混合蛙跳算法(SFLA)、人工鱼群算法(AFSA)等。本文主要研究了SFLA与AFSA两种群体智能优化算法在齿轮箱故障诊断中的应用。通过计算各工况下的特征值,选取其中的八项特征值作为判定指标,并进行归一化处理,然后将特征值指标划分为训练集和测试集两部分样本集;将SFLA和AFSA分别与支持向量机(SVM)结合起来,构建了SFLA-SVM和AFSA-SVM算法模型用于齿轮箱故障诊断,并将最终的结果与PSO-SVM的故障诊断识别结果进行了比较。通过对比可以得出以下结论:SFLA-SVM算法模型表现出较低故障诊断准确率和稳定性,因此,该算法在齿轮箱故障诊断领域的应用需要进一步的探讨和研究;而AFSA通过高效的全局寻优能力和较高的准确率,优化了SVM的分类能力,提高了分类的精度,避免了SVM算法陷入局部最优。结果表明,AFSA-SVM在齿轮箱故障诊断中表现出良好的故障诊断识别能力,具有较高准确率和稳定性。