為有效降低齒輪箱故障特征的維數(shù)并提高診斷效率,提出了基于鄰域?qū)傩灾匾扰c主成分分析法相結(jié)合的齒輪箱故障特征約簡(jiǎn)方法,并利用支持向量機(jī)和BP神經(jīng)網(wǎng)絡(luò)對(duì)診斷的準(zhǔn)確率進(jìn)行對(duì)比分析。針對(duì)齒輪箱中具有不同程度裂紋的齒輪,選取其時(shí)域、頻域和基于希爾伯特變換的36個(gè)特征;將鄰域模型引入到特征屬性的約簡(jiǎn),構(gòu)造前向貪心算法,以鄰域?qū)傩灾匾容^大的9個(gè)特征作為特征集,提取累積貢獻(xiàn)率達(dá)到95%以上的主成分,分別輸入支持向量機(jī)和BP神經(jīng)網(wǎng)絡(luò)分類器中進(jìn)行分類識(shí)別,并與不經(jīng)過(guò)特征優(yōu)選的主成分特征融合相對(duì)比。結(jié)果表明,采用基于鄰域?qū)傩灾匾扰c主成分分析法相結(jié)合的特征約簡(jiǎn)方法,既可以降低齒輪箱故障特征的維數(shù),又不影響對(duì)其運(yùn)行狀態(tài)的表征,有助于識(shí)別不同裂紋水平的齒輪,與不經(jīng)過(guò)特征優(yōu)選直接進(jìn)行融合的方法相比,所提出方法診斷準(zhǔn)確率更高,訓(xùn)練時(shí)間更短。
【文章目錄】：
0 引言
1 齒輪箱特征定義及其分類
2 齒輪箱振動(dòng)實(shí)驗(yàn)
3 基于鄰近粗糙集屬性重要度的屬性約簡(jiǎn)
    3.1 前向貪心數(shù)值屬性約簡(jiǎn)
    3.2 基于鄰域?qū)傩灾匾鹊凝X輪箱特征優(yōu)選
    3.3 優(yōu)選特征的變化趨勢(shì)分析
4 基于特征優(yōu)選與PCA相結(jié)合的齒輪箱故障特征融合
    4.1 特征融合方案分析
        4.1.1 融合方案一大,其下降速率也增長(zhǎng)。
        4.1.2 融合方案二
    4.2 分析討論
5 結(jié)束語(yǔ)


本文編號(hào)：2888075