蜗轮蜗杆的故障识别

       本文蜗轮蜗杆是基于振动信号分析与处理的故障识别方法来完成的故障诊断，如图3所示。即通过传感器采集蜗轮蜗杆减速器传动的振动信号，进而对获得的信号经过分析和处理，提取其中与故障类型判别有关的特征向量，再根据所提取得到的故障特征按照某种规律对故障的形态、部位和原因作为样本进行定位、训练和分类，最后构造某种机器学习算法，形成一个诊断网络去识别故障。基于FSA-ACO混合改进算法的蜗轮蜗杆故障识别可看作一种模式识别，通过测量一些过程参数，然后利用改进的FSA-ACO算法建立一个从测量集合到故障集合的映射关系，从而实现蜗轮蜗杆的故障识别。在蜗轮蜗杆系统发生故障时，其运转与正常状态下是不同征兆的集合，这些不同的征兆对应不同的振动信号特征。

       设D= 3D1,Dz,}..}DN}为被测系统所有故障的非空有限集合，F=}Fm凡，…，瓜}为故障集合D引发的所有征兆的非空集合〔z7。在蜗轮蜗杆故障诊断中，对故障特征的提取后，征兆集合F中的各个元素与故障集合D是一种复杂的、非比例的对应关系，即其征兆F不能用简单的函数关系或核函数来映射故障D,进而本文引人近邻函数准则策略解决上述故障分类映射问题，同时有效地解决如何在FSA-ACO混合改进的算法与蜗轮蜗杆故障识别联系及融合问题。

       对于数据集中的任何两个样本Y} }Y;，若yi是Y‘的第N个近邻，则称Yi对r‘的近邻系数为N。若y‘是yi的第M个近邻，则称y‘对Yi的近邻系数为M。当y‘和Yi互为近邻嘟1近邻系数为O。因此，近邻函数值，表示为Tz}=N+M一2(1)在聚类的过程中，规定类内会损失，即当Y‘和Yi被规分同一类时，两者相互“连接”关系，对于每一个这样的连接存在着一个相应的连接损失。这里连接损失规定为这两个样本间的近邻函数值。即总类内损失规定为当y和yi被规分不同类时，两者不存在“连接”关系，即=0，即总类间损失规定为式中，C为常数;TN为其他类间对类结果的准则函数(3)类的类间损失，则聚JNN=L,A+LIR=艺T导(4)进而蜗轮蜗杆的诊断识别问题转化为求解计算聚类结果的准则函数JNN最小值。http://www.zbdongxing.com/