钱　林， 康　敏,2

(1.南京农业大学 工学院,南京　210031； 2.南京农业大学 江苏省智能化农业装备重点实验室,南京　210031)

基于小波包与质心粒子群的齿轮箱故障诊断及应用

钱林1， 康敏1,2

(1.南京农业大学 工学院,南京210031； 2.南京农业大学 江苏省智能化农业装备重点实验室,南京210031)

针对齿轮箱振动信号中蕴含大量状态信息难以有效提取的问题，利用小波包分解对原始振动信号进行降噪及特征能量提取，通过BP神经网络实现故障的模式识别。针对神经网络收敛速度慢、易陷入局部最优值问题，提出利用简单、易行的质心粒子群算法对BP神经网络的权值和偏置进行优化。在粒子群算法中，通过设计种群质心和最优个体质心、根据粒子位置动态改变惯性权重，并将其引入粒子群算法的速度调整公式中：来构建质心粒子群算法。分别将该方法与基本粒子群算法、遗传算法应用在齿轮箱故障诊断中，通过比较表明该方法可以有效提高分类效率和准确率。

小波包变换；质心粒子群算法；振动信号；神经网络

齿轮箱的振动信号是由不同零部件或不同振源激发的信号相互叠加形成的，在不同工况下，它在不同频段内所蕴含的状态信息不同。小波包分解可以将小波分解中未分解的高频段系数继续分解，能够得到原始信号在各频段上的能量分布信息[1]。

BP神经网络模型具有较强的自学习、自适应、联想记忆及非线性模式识别能力，特别适用于多故障多征兆这类复杂模式的识别。……