基于核聚類與信息融合的齒輪故障診斷技術研究.pdf

1、齒輪是目前應用最廣的傳遞動力的機械零件，在國民經濟中占重要地位。齒輪一般在齒輪箱中且浸泡在潤滑油液中進行運動，受到周圍復雜工作環(huán)境的影響，故障特征之間往往存在較強的非線性關系，故障診斷過程受到諸多不確定性因素的影響，存在固有的不確定性，單一信號特征往往不能全面表征設備運行狀態(tài)，難以保證故障診斷的準確性，核方法與信息融合技術為解決齒輪故障診斷的這些問題提供了一條新的途徑。本文從齒輪系統(tǒng)故障診斷技術研究現(xiàn)狀入手，在分析齒輪故障信號特征和常見

2、故障機理的基礎上，設計了齒輪的故障診斷實驗方案，從核方法中核參數的優(yōu)化方法以及信息融合兩個方面開展齒輪故障診斷方法研究，主要的研究工作如下:
　　1.開展基于核參數優(yōu)化核聚類算法的齒輪故障診斷方法研究
　　(1)針對齒輪故障的非線性特點、核參數影響KFCM分析結果以及傳統(tǒng)KFCM核參數優(yōu)化的不足等問題，研究KFCM核參數優(yōu)化的算法，利用特征空間中類內距離與類間距離的關系，以特征空間中類間距離最大的同時類內距離最小為目標，建立

3、核參數優(yōu)化的算法模型。核參數優(yōu)化后的KFCM算法具有比傳統(tǒng)KFCM更強的特征識別能力，是一種有效的模式識別方法。
　　(2)針對齒輪故障的非線性特征和組合特征的高維性，建立了基于核參數優(yōu)化KFCM的齒輪故障診斷模型，以時域特征提取并降維后的特征量為數據樣本，將其輸入KFCM分類器，實現(xiàn)對齒輪故障的分類識別。
　　2.開展基于相關函數加權KPCA與KFCM的信息融合故障診斷方法研究
　　(1)針對KPCA在干擾點存在時主

4、元提取效果不好的問題，提出了一種基于相關函數加權KPCA方法。通過采用相關函數，實現(xiàn)數據級樣本的加權分配，以降低可信度較低的數據樣本對融合結果的影響，然后進行KPCA串行融合，提高融合特征的可靠性。
　　(2)針對齒輪的故障診斷中存在大量的不確定性信息，而且齒輪故障特征之間具有較強的非線性關系，利用信息融合技術能有效地處理不確定性信息，而KPCA與KFCM具有較強的非線性處理能力，建立了加權KPCA與KFCM的信息融合故障診斷模型