DSmT与小波网络结合的齿轮箱早期故障诊断方法

"基于DSmT与小波网络的齿轮箱早期故障融合诊断 (2013年) - 重庆大学机械传动国家重点实验室" 本文详细探讨了一种针对齿轮箱早期故障诊断的新方法，该方法结合了DSmT(Dezert-Smarandache理论)和小波神经网络技术。齿轮箱在早期故障阶段的特征往往非常微弱，这使得传统的诊断方法难以准确识别。为了解决这个问题，研究者提出了一种融合诊断模型，旨在提高故障特征的辨识精度并降低诊断不确定性。 首先，通过在齿轮箱的关键部位安装多个振动传感器，收集多源振动信息。这些传感器能够捕捉到微弱的故障信号，从而提供更全面的设备状态信息。随后，采用特征提取技术，从收集到的振动数据中提炼出与故障相关的关键特征。 接下来，研究采用了多个并联的小波神经网络。小波神经网络具有良好的信号分析和特征提取能力，尤其适用于非线性和时变信号处理。每个网络独立地对振动数据进行分析，得出初步的故障诊断结果，形成多个独立的证据。这些证据各自代表了不同角度的故障可能性。 DSmT理论在此处发挥了关键作用。它是一种改进的证据理论，克服了传统Dempster-Shafer理论(DST)在处理不兼容证据时的局限性。DSmT允许将多个独立证据有效地融合，即使这些证据之间可能存在冲突。通过DSmT的证据融合，可以综合考虑所有独立诊断结果，得出齿轮箱的最终诊断结论，提高了诊断的准确性和可靠性。 实验结果显示，该融合诊断模型在齿轮箱早期故障的识别中表现出色，显著提升了特征辨识精度，并有效地降低了由于信息不确定性导致的误诊概率。这一研究对于提升机械设备的故障预测与健康管理能力，以及预防性的维护策略有着重要的理论与实践价值。 关键词：Dezert-Smarandache理论；信息融合；小波神经网络；齿轮箱；故障诊断 中图分类号：TH132 文献标识码：A