论文部分内容阅读
基于支持向量机的齿轮箱故障诊断模型中惩罚参数和核参数较难确定，针对这一问题，研究模型的参数优化，即利用遗传算法对模型的参数进行优化分析。并研究基于相关向量机的齿轮箱故障诊断方法，将多分类相关向量机应用到齿轮箱故障诊断模型中，对齿轮箱多种故障进行了模式识别。主要工作如下: (1)特征提取较常用的特征为时域特征，小波包变换可以均匀划分信号频带，更好的提取出时频特征，所以对振动信号分别进行时域特征和小波包节点能量提取，为了提取出分类性能较好的特征，选择Fisher准则来进行特征选择，实现了降维处理。 (2)针对基于支持向量机的齿轮箱故障诊断模型中参数难以确定的问题，提出遗传算法的参数优化方法对齿轮箱支持向量机模型进行参数优化，由于遗传算法有较好的空间搜索能力，所以利用遗传算法对齿轮箱模式识别中的两个重要参数进行优化，并利用实验信号和工程信号进行研究，结果表明:参数通过遗传算法优化后，支持向量机的分类正确率有所提高，能对齿轮箱轴承故障进行很好的模式识别。 (3)基于支持向量机的齿轮箱故障诊断模型存在很多问题，例如参数选择较困难等，针对该问题，对基于相关向量机的齿轮箱故障诊断模型进行研究。由于相关向量机产生的决策函数在具有较高检测精度的同时，提高解的稀疏性，减少检测时间，提高实时性，所以相关向量机齿轮箱模型具有更好的分类性能，并用实验信号和工程信号进行模型分类性能研究，结果表明基于相关向量机的齿轮箱故障诊断模型具备更好的分类性能。 (4)由于典型的相关向量机模型只能实现二分类识别，为了实现齿轮箱故障诊断多故障的模式识别，提出多分类相关向量机的齿轮箱故障诊断模型。通过引入M-RVM理论实现多故障识别，并用实验信号对模型分类性能进行研究，结果表明基于多分类相关向量机的齿轮箱故障诊断模型能够完成齿轮箱轴承多故障的模式识别。