基于人工神经网络ANN与邻近支撑向量机(PSVM)的直齿圆锥齿轮箱故障诊断.docxVIP

基于人工神经网络（ANN）和邻近支撑向量机(PSVM)的直齿圆锥齿轮箱故障诊断N. Saravanan *, V.N.S. Kumar Siddabattuni, K.I. Ramachandran摘要：从机械的旋转部件提取出来的振动信号携带机械设备运行状态的大量信息。根据研究，进一步处理这些方便的本地机械测量的原始特征的振动信号揭示了部件跟整体的运行情况。这篇论文解决了对于运用人工神经网络和邻近支撑向量机的齿轮箱故障诊断的基于小波变换特点的成效。从莫莱特（Morlet）小波系数统计特征向量归类为用J48算法和以训练与测试ANN和PSVM和他们的相对效率提供输入为主要特点划分直齿圆锥齿轮箱故障做了比较。1.简介在各种工业应用中，机械故障往往是生产率下降和增加维护成本的来源。出于这个原因，机器状态监测正在开展早期故障识别。作为现代化的生产厂房，期望连续运行时间延长，而由于旋转机械故障造成的停工时间已成为比以往任何时候都昂贵的开销。旋转机械的故障常常是因为齿轮箱组成部件的损坏和故障。故障诊断是一项预防维修齿轮箱的一个重要进程，如果运行状态下检测到其中的一个齿轮损坏，故障诊断可以避免其更严重的破坏。因此，早期的故障诊断对于预防系统故障造成的损坏或者系统完全瘫痪至关重要。通过诊断齿轮系统的振动信号是检测齿轮故障的最常用的的方法。对于处理测量的数据传统的方法包括频域分析，时域分析，时频域分析。这些方法广泛的应用在检测齿轮故障上。用振动信号分析齿轮的故障诊断和监测已经被广泛的研究而且它在工业中的应用也很好的建立起来。尤其表现在航空工业，如直升机发动机，传动系统和转子系统都装有振动传感器，用来进行组件的健康状况监测。这些方法在传统上被分别应用在时域和频域里。时域分析的重点主要是对振动信号的统计特性，如峰值，标准差，偏度，峰度，和波峰因数。频域分析是用傅立叶变换方法将时域转换到频域，进一步进行分析得到结果，常规采用振动幅度和功率谱。基于能量分配法的时频分析被用于早期的齿轮故障诊断[4]。频域指的是振动数据的显示或者分析作为频率函数。时域振动信号通过应用傅里叶变化（常常是用快速傅里叶变换的一种算法）通常处理成频域[5]。在[6-9]，工程介绍发现，在基于FFT的分析方法不适合非平稳信号，不能够揭示非平稳信号固有的信息。然而，各种因素，如环境的变化和来自机械本身的故障，常常使输出信号包含运转的机械的非平稳部分。通常，这些非平稳部分包含大量的机械故障的信息；因4此，分析非平稳信号时非常重要的。当前，机械故障诊断的大部分算法是基于平稳振动信号的假设发展的。其中一些算法，包括倒频谱，时域平均，自适应噪声消除，解调分析等都是建立和被证明在机械故障诊断中非常有效。然而，在很多情况下，这些算法在检测不同形式的故障的时候不够可靠。这就需要一种新的技术，这种技术可以配合机械技术进步，并且提供故障检测中足够满意的灵敏度。相对较小数量的应用研究已经在时变故障诊断方法应用方面展开。据了解，[13,14]在本地的齿轮箱故障有一定的影响。由于这种影响的结果激发，冲动和不连续性，可以观察到包络和相位函数的瞬态特征 [14,15]。由于这些函数的类型，振动信号可被看作是非平稳的[16]，而且非平稳活动可出现在本地时间段内，例如，啮合齿轮的一次革命。该非平稳信号分析的办法的要求具体技巧超越经典傅立叶算法。这里面存在好多不同的时变方法，其中一些在[16-18]中回顾了。在最近的关机部件的故障诊断报告中使用机械学习算法比如SVM，PSVM。在ANN算法中，状态监测问题被看做是一个从滚子轴承的故障样本培训模式的基础上的概括/分类问题。然而，传统的ANN方法限制了通过拟合数据结果模型中的推广。支撑向量机被使用在很多机械学习的应用方面由于它的高度准确和良好的通用性。SVM是基于统计学习理论。SVM被划分为好于ANN由于它的风险最小化原则。在人工神经网路（ANN）传统的经验风险最小化（ERM）是用在训练数据集，以尽量减少错误。但是在SVM中，结构风险最小化（SRM）常常用于缩小期望风险最小化的一个上界。SVM是作为一个优化问题，并涉及大量计算的模板，然而，PSVM是作为一个包括更少计算的线性方程组的模板[21]。PSVM给出的结果非常接近SVM。一个更常用的处理突发信号的数学工具是小波变换[22,23]。最近，小波变换（WT）吸引了众多研究者的注意。小波变换被用来描绘在齿轮箱故障中生成的各种可能类型瞬态振动信号[24]。当数据已经用小波变换预先处理之后，一个神经网络用来诊断简单的齿轮系统 [25]。小波变换用来分析从带有点蚀齿轮系统获得的振动信号[26]。因此，根据文献回顾，这里存在广大的空间去探索齿轮箱故障诊断机械学习方法如ANN,SVM和PSVM。这篇论文就是这样一篇通过调查试图将机器