基于特征信息融合的离散小波SVM齿轮故障诊断方法研究*
2012-02-05成钰龙沈利华邱锦波山显雷
组合机床与自动化加工技术 2012年8期
成钰龙,程 刚,沈利华,邱锦波,山显雷
(1.中国矿业大学 机电工程学院,徐州 221116;2.天地科技股份有限公司 上海分公司,上海200030)
基于特征信息融合的离散小波SVM齿轮故障诊断方法研究*
成钰龙1,程 刚1,沈利华2,邱锦波2,山显雷1
(1.中国矿业大学 机电工程学院,徐州 221116;2.天地科技股份有限公司 上海分公司,上海200030)
针对齿轮振动信号故障特征微弱及故障样本不足,提出基于特征信息融合的小波-SVM(支持向量机)故障诊断方法,用于多类齿轮故障诊断。该方法采用离散小波变换对齿轮的振动信号进行处理来构造特征向量,将多路信号融合后输入到SVM的多故障分类器中进行故障识别。实验结果表明:该方法能够在训练样本数量少的情况下,快速获得良好的分类结果,且其故障诊断准确率在96.67%以上;峰值和峰值因子对齿轮故障最敏感,以峰值或峰值因子为特征量的多传感器信息融合,其诊断准确率达95%。该方法更适合于实际齿轮故障诊断应用,并为多类齿轮故障快速诊断的进一步创新研究提供了理论基础。
信息融合;小波变换;支持向量机;故障诊断
0 引言
作为齿轮箱动力传递的核心部件,齿轮在机械断特征提取大多采用基于傅里叶变换的传统分析法,但该方法无法表达非平稳信号的时频域性质[2]。小波变换[3-5]是一种时间-尺度(频率)分析方法,具有时频局部化和多分辨特性,特别适合于处理非平稳信号。
故障识别中应用比较广泛的是人工神经网络方法,这一方法要求有大量典型的训练样本数据或先验知识,但是在一些大型机械设备中,大量典型故障数据往往很难获取[6]。……
登录APP查看全文
