仝 蕊，康建设

（陆军工程大学石家庄校区，石家庄 050003）

0 引言

齿轮以其传动比准确、稳定可靠、寿命长等优点广泛应用于航空、船舶、运输机械、电力系统等各类设备中，但由于长期连续工作在高载荷、高转速环境下，极容易受到损害和出现故障。作为装备机械传动系统的核心，齿轮的损伤或失效会导致整个传动系统的故障，从而引起重大安全事故[1-2]。因此，齿轮的故障识别与诊断研究具有十分重要的学术和工程应用价值。

齿轮故障诊断常要求具备大量训练样本数据或先验知识，但在许多大型机械设备中，很难获取大量典型故障数据[3]。支持向量机（SVM）是一种新型学习机器，它较好地解决小样本、非线性等实际问题，并克服其他方法如人工神经网络等方法中收敛速度慢、训练时需要大量数据样本等不足[4]，极大提高了学习方法的泛化性能。SVM分类结果在很大程度上取决于模型参数。其中核函数的类型及相关参数对分类结果影响很大，所以SVM分类要考虑寻求一种快速且有效选择最优模型参数的方法[5]。

本文首先针对粒子群算法在迭代后期容易陷入局部最优的问题，选用蜜蜂觅食机制改进粒子群算法（PSOHF）[6]。然后提出了一种基于 PSOHF 的SVM参数优化方法，采用PSOHF对支持向量机模型参数进行优化，从而提高支持向量机的分类性能。最后，利用小波包分解提取故障特征向量，并进行了分类实验应用于实际齿轮故障诊断中，实验结果验证了所提方法的可行性和有效性。……