基于多特征融合的GA-SVM齿轮故障诊断方法

赵 国，李益兵，谢春启

(1.武汉理工大学 机电工程学院，湖北 武汉 430070；2.上汽通用五菱汽车股份有限公司 技术中心，广西 柳州 545007)

根据研究表明[1]，齿轮箱的故障中，60%以上都是由齿轮引起的，而其中90%的故障都是局部故障，如点蚀、磨损和断齿等。齿轮箱处于各种复杂的环境下运行，且往往也是密闭运行。齿轮发生故障时不易发现，如果发生故障会导致生产运输延迟，生产效率变低，甚至还会导致严重的伤亡和财产损失。利用故障诊断技术能够监控齿轮的运行状态，减少系统大范围的维护以及拆箱检查带来的不便。还可以合理安排维护时间，降低维修成本，避免经济损失，提高生产效率。

目前，常用的齿轮箱故障诊断方法有小波分析[2]、希尔伯特-Huang变换[3]、经验模态分解[4]等。刘石等在小波变换、全息谱等先进故障诊断技术方面做了许多研究[5]；罗荣等将改进冗余小波包应用在齿轮箱故障诊断中，取得了良好效果[6]；Peng等在小波变换理论研究及转子碰摩故障诊断技术等方面取得了很多突破[7]；袁静[8]、WANG[9]等对采用多小波变换、双数复小波变换等离散小波变换在故障特征提取中的应用技术进行了总结。WANG等[10]提出了一种自适应的小波分析对瞬态特征的提取方面进行了研究，对连续小波变换的波形进行优化。申中杰等[11]提出了一种基于多特征和多变量的支持向量机剩余寿命预估方法。钱士才和孙宇昕利用SVM(Support Vector Machine,支持向量机)在智能检测方面进行了大量试验研究[12]；郭远晶[13]利用角域振动信号提取故障特征向量的方法，使用算法来优化SVM中的惩罚参数和RBF核函数的宽度，实现对风电齿轮箱支持向量机智能故障诊断。……