采用莱维飞行策略对灰狼优化算法进行了优化,显著提升了算法的初期搜索性能。建立了LF-GWO算法求解FKCA模型,并给出了故障诊断步骤。通过实验验证结果表明经过800次迭代计算处理时,LF-GWO寻优形成的最小错误率2%,以LF-GWO/FKCA诊断测试集时获得了98%的正确率,只对点蚀与磨损的故障类型存在错误判断各一处情况。相比较FKCA和BP方法,采用LF-GWO/FKCA方法则可以将无标签缺齿数据归为第4类,从而实现与已知故障类型的区分,达到了更高的正确率,实际测试正确率为98%,显著提升故障诊断正确率。对齿轮箱的故障进行诊断仿真显示本文设计的诊断方法可以达到很低的错误率,表现出了优异的故障诊断性能。

为准确地辨识已知、未知故障类别,提出一种基于模糊核聚类模型的风电齿轮箱故障诊断新方法。首先,将模型初始聚类中心和核参数作为优化变量,采用改进型灰狼优化算法寻优求解。改进型灰狼优化算法中引入莱维飞行策略和非线性收敛向量,能够提高算法的收敛速度与精度,从而获得最佳分类结果下的各聚类中心和核参数;然后,根据待测样本与各聚类中心之间的核空间样本相似度,先判断样本是否属于已知故障,再诊断故障类别;最后,通过模拟风电齿轮箱的故障实验验证了该方法的有效性。

针对齿轮箱复合故障信号成分复杂和故障特征难以识别的问题,提出基于多分辨奇异值分解(MRSVD)能量特征和模糊核聚类(KFCM)的齿轮箱复合故障诊断方法。首先,采集齿轮箱不同工况下的振动信号,通过进行MRSVD分解得到1个相似信号和5个细节信号;然后,提取6个分量信号的能量特征并进行归一化处理,得其能量相对值;最后,使用KFCM进行故障诊断。实验结果表明,MRSVD能量特征提取方法可有效提取齿轮箱复合故障特征,且KFCM可准确诊断齿轮箱复合故障。