發(fā)布時(shí)間：2020-11-15 02:18

　　 齒輪傳動(dòng)系統(tǒng)作為航空零部件中比較重要的部分,其工作狀態(tài)往往直接關(guān)系到整個(gè)飛行器的性能,考慮到航空齒輪傳動(dòng)設(shè)備常工作在比較苛刻的條件下,運(yùn)行速度快,載荷大,為航空零部件中最容易損壞的部分之一。因此對齒輪傳動(dòng)系統(tǒng)的運(yùn)行狀態(tài)以及故障類別進(jìn)行辨識具有非常重要的意義。鑒于此,本文的研究工作主要包括了以下幾個(gè)方面:針對航空齒輪其微弱故障信息單從信號的時(shí)域和頻域難以判別的問題,本文在時(shí)域,頻域特征基礎(chǔ)上增加小波域,以及變分模態(tài)分解(Variational Mode Deco mposition,VMD)分量熵值等附加特征。針對大量的特征值采用了迭代自組織數(shù)據(jù)分析-二進(jìn)制粒子群(Iterative Selforganizing Data Analysis-Binary Particle Swarm Optimizer,ISODATA-BPSO)特征篩選算法,達(dá)到選擇出最優(yōu)特征子集具有最小冗余的效果。實(shí)驗(yàn)分析對比了幾種不同特征選擇算法,從實(shí)驗(yàn)結(jié)果展示的二維特征分布圖中可看出,該特征選擇算法具有較好的應(yīng)用效果。航空齒輪對安全性要求極高,文中采用了支持向量數(shù)據(jù)描述(Support Vector Data Description,SVDD)模型對航空齒輪傳動(dòng)系統(tǒng)進(jìn)行了新異類檢測。在支持向量數(shù)據(jù)描述的理論基礎(chǔ)上,對基于不同核函數(shù)的支持向量數(shù)據(jù)描述算法的性能進(jìn)行了對比,并分析了各種核函數(shù)的應(yīng)用范圍和優(yōu)缺點(diǎn),最終提出了基于高斯核函數(shù)的支持向量數(shù)據(jù)描述算法。除此之外,高斯核函數(shù)中的核參數(shù)和SVDD算法中懲罰因子的選擇對算法性能具有較大的影響,文中還利用了變異粒子群(Variable pa rticle swarm optimization,VPSO)對懲罰因子與核參數(shù)進(jìn)行參數(shù)尋優(yōu),并將尋優(yōu)前后的結(jié)果做了對比,實(shí)驗(yàn)結(jié)果表明,優(yōu)化之后的SVDD具有較高的檢測精度。在設(shè)備新異類檢測完成的基礎(chǔ)上,本文采用了WSOM(The Weighted Self-org anizing Feature Map)對設(shè)備進(jìn)行狀態(tài)識別以及復(fù)合故障狀態(tài)的識別�；�于SOM神經(jīng)網(wǎng)絡(luò)的基本理論,本文對SOM算法初始權(quán)值的設(shè)置以及權(quán)值更新方式進(jìn)行了優(yōu)化,采用了“正態(tài)概率分布”權(quán)值初始化,來減少SOM神經(jīng)網(wǎng)絡(luò)出現(xiàn)“死神經(jīng)元”的情況,并修改了SOM網(wǎng)絡(luò)中權(quán)值更新方式來提高神經(jīng)網(wǎng)絡(luò)的性能。并將優(yōu)化前后的SOM神經(jīng)網(wǎng)絡(luò)性能進(jìn)行了對比,從實(shí)驗(yàn)結(jié)果看出:優(yōu)化之后的WSOM在對設(shè)備具有更高的精度以及較好的時(shí)效性。
【學(xué)位單位】：重慶大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2018
【中圖分類】：TP18;V267
【部分圖文】：

子位置（即懲罰因子與核參數(shù)）帶入 SVDD 分類器中度；群最大適應(yīng)度值對應(yīng)的粒子位置作為局部最優(yōu)值，將該較大值作為全局最優(yōu)；前粒子位置為全局最優(yōu)位置則變異粒子對其位置重新子位置按照式(3.6)，速度按照式(3.5)進(jìn)行更新；（2）-（5）過程，直至迭代停止。證SVDD 的航空齒輪箱異常檢測及性能測試塞爾自由大學(xué)的航空齒輪箱公開數(shù)據(jù)對本章算法進(jìn)行轉(zhuǎn)時(shí)的振動(dòng)數(shù)據(jù)對 SVDD 模型進(jìn)行訓(xùn)練，將訓(xùn)練的模行檢測，測試數(shù)據(jù)包括正常樣本以及三種不同的異常4.5 所示：

（a） （b）圖 5.5 SOM（a）與 WSOM（b）神經(jīng)元響應(yīng)結(jié)果Fig 5.5 Response of SOM (a) and WSOM (b) neurons上圖中神經(jīng)元按照從左至右，從下至上進(jìn)行編號。從圖中看出，原始 SOM算法的 2 號神經(jīng)元為“死神經(jīng)元”，沒有響應(yīng)任何一個(gè)樣本的輸入，對于 1 號神經(jīng)元與 3 號神經(jīng)元，SOM 網(wǎng)絡(luò)將輕度剝落部分樣本識別為正常，即本應(yīng)由 3 號神經(jīng)元響應(yīng)的樣本最終由 1號神經(jīng)元響應(yīng)了，該結(jié)果與上一章 SVDD 算法有相似之處，出現(xiàn)了輕度剝落與正常狀態(tài)區(qū)分不明顯。4 號神經(jīng)元同時(shí)響應(yīng)了重度剝落與磨損兩種故障狀態(tài)，即訓(xùn)練的神經(jīng)網(wǎng)絡(luò)無法辨識出這兩種故障狀態(tài)，且在訓(xùn)練過程的時(shí)效性也略差，達(dá)到了 12s。針對同樣的實(shí)驗(yàn)樣本數(shù)據(jù)，在訓(xùn)練次數(shù)同為 300 次，用四種狀態(tài)下的樣本各 50 個(gè)，測試樣本各 30 個(gè)，WSOM 神經(jīng)網(wǎng)絡(luò)能完全辨識出正常，輕度剝落，重度剝落以及磨損這四種狀態(tài)，且在運(yùn)行時(shí)長方面有較大的縮減。下圖分別為 SOM 與 WSOM 神經(jīng)網(wǎng)絡(luò)經(jīng)過 300 次訓(xùn)練之后的權(quán)值分布圖，為

重慶大學(xué)碩士學(xué)位論文擇的特征最佳。出現(xiàn)六種狀態(tài)特征分布難以分離的原因除了特征本身性質(zhì)以及特征選擇算法的影響外，還存在復(fù)合故障狀態(tài)的影響，即點(diǎn)蝕與磨損復(fù)合故障，斷齒與磨損復(fù)合故障。點(diǎn)蝕與磨損復(fù)合故障由于點(diǎn)蝕和磨損同時(shí)存在，同時(shí)包含了兩種故障狀態(tài)的特征，故這種復(fù)合異常狀態(tài)的樣本會(huì)與其組成的基本異常狀態(tài)的樣本難以分離。對于斷齒與磨損復(fù)合故障同理。將六種狀態(tài)下齒輪傳動(dòng)系統(tǒng)仿真數(shù)據(jù)用于驗(yàn)證 SOM 神經(jīng)網(wǎng)絡(luò)狀態(tài)辨識，包括對復(fù)合故障狀態(tài)的辨別。SOM 訓(xùn)練次數(shù)為 300，采用六邊形拓?fù)浣Y(jié)構(gòu)，對四種基本狀態(tài)進(jìn)行測試，測試結(jié)果如下：
【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 常貴春;葉俊勇;李陽;;基于EEMD樣本熵和SVDD的在役錨固螺桿故障診斷研究[J];軟件;2015年02期

2 馬倫;康建設(shè);趙春宇;呂雷;;基于Morlet小波變換的信號去噪及在軸承狀態(tài)監(jiān)測中的應(yīng)用[J];機(jī)械科學(xué)與技術(shù);2014年09期

3 羅頌榮;程軍圣;鄭近德;;基于ITD分形模糊熵的軸承早期故障診斷[J];振動(dòng).測試與診斷;2013年04期

4 叢華;謝金良;張麗霞;馮輔周;;基于GA-SVDD的軸承性能退化評估[J];裝甲兵工程學(xué)院學(xué)報(bào);2012年01期

5 劉小峰;李慧;柏林;彭永金;;時(shí)頻相關(guān)匹配法在信號提純中的應(yīng)用[J];重慶大學(xué)學(xué)報(bào);2011年11期

6 王峰麗;馬為清;解飛;任麗輝;;航空航天領(lǐng)域的發(fā)展趨勢和制造技術(shù)需求分析[J];制造技術(shù)與機(jī)床;2011年07期

7 蔣永華;湯寶平;董紹江;;自適應(yīng)Morlet小波降噪方法及在軸承故障特征提取中的應(yīng)用[J];儀器儀表學(xué)報(bào);2010年12期

8 劉小峰;柏林;;角域AR譜技術(shù)在齒輪故障診斷中的應(yīng)用[J];振動(dòng)工程學(xué)報(bào);2010年01期

9 蔣永華;湯寶平;劉文藝;董紹江;;基于參數(shù)優(yōu)化Morlet小波變換的故障特征提取方法[J];儀器儀表學(xué)報(bào);2010年01期

10 呂勇;李友榮;肖涵;王志剛;;基于加權(quán)相空間重構(gòu)降噪及樣本熵的齒輪故障分類[J];振動(dòng)工程學(xué)報(bào);2009年05期

本文編號：2884224