关键词:
齿轮箱
滚动轴承
齿轮
故障诊断
鲸鱼算法
支持向量机
摘要:
齿轮箱在实际生产和机械传动系统中有着极其重要的地位,其中滚动轴承和齿轮作为齿轮箱正常运转的关键部件,决定着生产能否完整安全运行。由于实际运行的复杂工况,滚动轴承和齿轮经常会发生故障。并且在真实生产中,传感器采集的数据集往往是正常数据远大于故障数据,分类器常常会为了要提高识别率,将数量少的故障数据识别为正常数据。为了避免这个问题,本文选择齿轮箱中的滚动轴承和齿轮作为研究对象,对非均衡齿轮箱故障数据集进行研究。主要研究内容如下:
(1)针对实际工况中齿轮箱故障数据集非均衡问题,即故障数据远小于正常数据问题,本文提出利用SMOTE过采样方法结合主成分分析法(PCA)和t-SNE可视化预处理非均衡数据集。首先利用西储大学的滚动轴承故障数据集和东南大学的齿轮故障数据集构造出各类故障的非均衡数据集,接着对构建好的数据集进行SMOTE过采样,使数据集均衡,最后采用PCA和t-SNE将均衡过的数据集进行特征降维并可视化,该方法已在上述两个数据集中得到仿真实验验证的可行性。
(2)针对传统的鲸鱼优化算法中的收敛因子是线性收敛问题,本文提出了融合模拟退火和自适应变异策略改进的鲸鱼优化算法。该算法在初始化种群阶段引入了反向学习机制,并将非线性收敛因子和动态惯性权重结合来调节种群前期的全局寻优和后期局部精确寻优的能力。为了体现该改进算法的收敛优越性,利用CEC2005函数和GWO、WOA、PSO、GA四种算法进行收敛性对比测试,测试发现改进后的鲸鱼优化算法(IWOA)收敛性最优。因此将利用该算法来改进支持向量机中需要优化的两个超参数c和g,并和GA、PSO、WOA和IWOA四种算法分别进行参数寻优,找到最优组合,对比实验分析得出IWOA优化过的SVM分类器的故障诊断结果最好。
(3)针对特征向量选取的问题,本文提出平均影响值算法(MIV),将其对(1)中已经处理完毕的特征向量进行计算排序,按从大到小的方式排序,选出影响力排序前四的特征向量作为最终的齿轮箱故障模型的特征向量,形成本文最终的MIV-IWOA-SVM齿轮箱故障诊断模型。实验验证发现该故障诊断模型精确度均高于其他的故障诊断模型。