论文部分内容阅读
齿轮是目前应用最广的传递动力的机械零件,在国民经济中占重要地位。齿轮一般在齿轮箱中且浸泡在润滑油液中进行运动,受到周围复杂工作环境的影响,故障特征之间往往存在较强的非线性关系,故障诊断过程受到诸多不确定性因素的影响,存在固有的不确定性,单一信号特征往往不能全面表征设备运行状态,难以保证故障诊断的准确性,核方法与信息融合技术为解决齿轮故障诊断的这些问题提供了一条新的途径。本文从齿轮系统故障诊断技术研究现状入手,在分析齿轮故障信号特征和常见故障机理的基础上,设计了齿轮的故障诊断实验方案,从核方法中核参数的优化方法以及信息融合两个方面开展齿轮故障诊断方法研究,主要的研究工作如下:1.开展基于核参数优化核聚类算法的齿轮故障诊断方法研究(1)针对齿轮故障的非线性特点、核参数影响KFCM分析结果以及传统KFCM核参数优化的不足等问题,研究KFCM核参数优化的算法,利用特征空间中类内距离与类间距离的关系,以特征空间中类间距离最大的同时类内距离最小为目标,建立核参数优化的算法模型。核参数优化后的KFCM算法具有比传统KFCM更强的特征识别能力,是一种有效的模式识别方法。(2)针对齿轮故障的非线性特征和组合特征的高维性,建立了基于核参数优化KFCM的齿轮故障诊断模型,以时域特征提取并降维后的特征量为数据样本,将其输入KFCM分类器,实现对齿轮故障的分类识别。2.开展基于相关函数加权KPCA与KFCM的信息融合故障诊断方法研究(1)针对KPCA在干扰点存在时主元提取效果不好的问题,提出了一种基于相关函数加权KPCA方法。通过采用相关函数,实现数据级样本的加权分配,以降低可信度较低的数据样本对融合结果的影响,然后进行KPCA串行融合,提高融合特征的可靠性。(2)针对齿轮的故障诊断中存在大量的不确定性信息,而且齿轮故障特征之间具有较强的非线性关系,利用信息融合技术能有效地处理不确定性信息,而KPCA与KFCM具有较强的非线性处理能力,建立了加权KPCA与KFCM的信息融合故障诊断模型,实验结果表明该模型在保证分类精度的同时,又具有较好的容错性。