基于粒子群算法和小波理論的機械故障診斷.pdf

1、粒子群優(yōu)化算法(Particle Swarm Optimization,簡稱PSO)是一種基于群體智能的優(yōu)化方法。算法主要利用生物群體內(nèi)個體的協(xié)作與競爭等復(fù)雜的行為產(chǎn)生群體智能,并為工程優(yōu)化問題提供高效的解決方法。在優(yōu)化過程中,首先將工程問題轉(zhuǎn)化為簡單的數(shù)學模型,充分了解該數(shù)學模型的具體涵義以及模型中各參數(shù)的意義和取值范圍;然后對粒子群優(yōu)化算法所涉及的參數(shù)進行初始化,提出基于該工程問題的適應(yīng)度函數(shù);最后根據(jù)適應(yīng)度函數(shù)的精度評價優(yōu)化參數(shù),

2、直至滿足適應(yīng)度函數(shù)的精度。與傳統(tǒng)優(yōu)化算法相比,粒子群優(yōu)化算法在多維函數(shù)尋優(yōu)方面有著算法簡單,參數(shù)少,收斂速度快等優(yōu)點,故在工程實踐中有著廣泛的應(yīng)用。
　　本文在研究粒子群優(yōu)化算法理論的基礎(chǔ)上,結(jié)合小波理論,將這種算法應(yīng)用于齒輪箱的故障信號識別中。針對齒輪箱故障信號所表現(xiàn)出的非線性和非平穩(wěn)性,本文運用自適應(yīng)Morlet小波建立振動信號的數(shù)學模型,旨在提取故障信號的特征信息。自適應(yīng)小波變換(Adaptive Wavelet Trans

3、form,簡稱AWT)確保粒子群算法所優(yōu)化的模型參數(shù)和自適應(yīng)小波函數(shù)的參數(shù)是一一對應(yīng)的,為高精度的時頻分析提供了理論依據(jù)?；趯αＷ尤簝?yōu)化算法和小波理論的應(yīng)用研究,本文首先對原始信號進行希爾伯特變換,獲得信號包絡(luò)。再利用Morlet小波函數(shù)建立信號包絡(luò)的數(shù)學模型,確定待優(yōu)參數(shù)。然后運用本文提出的粒子群優(yōu)化算法和最小均方誤差(Least Mean Square Error,簡稱LMSE)求出數(shù)學模型的參數(shù)并優(yōu)化,將所得參數(shù)反代入信號模型中

4、得到模型信號。最后使用自適應(yīng)連續(xù)小波變換對齒輪箱的故障狀態(tài)進行診斷評估。結(jié)果表明基于粒子群算法和小波理論的方法對齒輪箱的故障診斷是有效的。集成了粒子群優(yōu)化算法的參數(shù)優(yōu)化效用和小波理論的時頻分辨能力,提出了基于粒子群算法和小波理論的機械故障診斷方法,它能很好地對五種齒輪的損壞程度進行識別。通過對同一種裂紋故障類別下的不同齒輪損壞程度進行識別表明所提出的故障診斷方法是有效且可靠的。研究結(jié)果同時也對粒子群優(yōu)化算法和小波理論在其他領(lǐng)域的應(yīng)用提供