基于独立分量分析的齿轮箱故障诊断研究

对齿轮箱进行故障诊断具有特别重要的意义，因为它是机械设备中一个重要的组成部分。本文通过在实验室状态对齿轮箱常见故障进行模拟，以基于动态因子和线性递减惯性权重的粒子群算法优化的独立分量分析（ICA）方法对测取的故障信号进行预处理，再利用小波包分析获取能量特征值，最后利用支持向量机（SVM）的方法对齿轮箱故障状态进行识别，收到了较好的效果。近年来迅速发展起来的基于盲信号处理的独立分量分析技术提供了一种全新的信号分离与特征提取思路，在故障诊断领域已有了相关的初步研究。本文介绍了独立分量分析的基本原理和理论，在研究ICA算法的基础上，提出了一种基于动态因子和线性递减惯性权重的粒子群算法（WCPSO）与非线性ICA结合进行信号分离的算法。通过三类仿真信号验证了该算法在信号分析中的有效性。在实践部分将ICA方法应用于实验室提取的齿轮箱故障信号，利用基于WCPSO算法的非线性ICA分析方法对实验室测取的齿轮箱故障信号进行了分离，分离结果表明，经ICA分解后故障信息明显增强，实现了齿轮箱故障信号的初步诊断。然后对分离后的信号利用小波包进行四层分解，获取了十六个频段的能量特征，将特征值输入到支持向量机（SVM）中对齿轮箱故障状态进行识别，结果表明，本文的方法使故障诊断的精度是比较理想的。本文还将不同特征提取和分类方法的诊断结果进行了比对，分析表明，本文所采用的方法的故障诊断精度得到较大提高。