基于FSAACO混合改进算法的蜗轮蜗杆故障识别

›› 2016, Vol. 29 ›› Issue (11): 133-.

基于FSAACO混合改进算法的蜗轮蜗杆故障识别

杨雷，朱灵康，高国伟，许恺，杨晗，金昊

(上海理工大学机械工程学院，上海 200093)

出版日期:2016-11-15 发布日期:2016-11-24
作者简介:杨雷（1992-），男，硕士研究生。研究方向：信号处理,智能控制。

Worm Gear Fault Identification Based on FSAACO Mixed Improved Algorithm

YANG Lei, ZHU Lingkang, GAO Guowei, XU Kai, YANG Han, JIN Hao

(School of Mechanical Engineering, University of Shanghai for Science and Technology, Shanghai 200093, China)

Online:2016-11-15 Published:2016-11-24

摘要/Abstract

摘要：

针对蜗轮蜗杆故障诊断问题，提出基于FSAACO混合改进算法的蜗轮蜗杆故障识别的研究方法。该方法提出了FSAACO混合改进策略，在谋求一个优势互补的基础上，对算法相关参数优化。同时针对该算法与蜗轮蜗杆故障识别结合构建算法模型问题，提出利用近邻函数准则作理论桥梁策略，寻找一种新的基于FSAACO混合算法的蜗轮蜗杆故障诊断技术研究方法。以WPA40型号的蜗轮蜗杆为测试对象，验证了该研究方法的可行性和有效性。

关键词: 蜗轮蜗杆, 鱼群算法, 蚁群算法, 故障识别, 近邻准则

Abstract:

A new method for fault identification of worm gears based on mixed improved FSAACO (fish swarm algorithmant colony optimization) algorithm is proposed. The method first proposes mixed improved FSAACO strategies to optimize the relevant parameters of the algorithm in seeking a complementary of advantages. Meanwhile, in constructing the algorithm model that combines this algorithm with fault identification for worm gears, a strategy guideline based on the neighbor function theory is proposed, looking for a new fault diagnosis technology for worm gears based on mixed FSAACO algorithm. Worm gears of WPA40 are taken as the test model to testify the feasibility and effectiveness of the research method.

Key words: worm gear, fish swarm algorithm, ant colony optimization, fault identification, neighbor theory

中图分类号:

TP206.3

杨雷，朱灵康，高国伟，许恺，杨晗，金昊. 基于FSAACO混合改进算法的蜗轮蜗杆故障识别[J]. , 2016, 29(11): 133-.

YANG Lei, ZHU Lingkang, GAO Guowei, XU Kai, YANG Han, JIN Hao. Worm Gear Fault Identification Based on FSAACO Mixed Improved Algorithm[J]. , 2016, 29(11): 133-.

[1]	普江华,王学军,吴鹏,陈明方,杨雄. 基于接触的轨道运输车升降系统传动结构稳定性分析[J]. 电子科技, 2021, 34(2): 45-51.
[2]	朱宏伟,张海南. 基于拥挤度因子的动态信息素更新策略蚁群算法[J]. 电子科技, 2020, 33(8): 59-64.
[3]	杨宇,曾国辉,黄勃. 基于人工鱼群算法和LS_SVM的变压器故障诊断[J]. 电子科技, 2020, 33(11): 36-40.
[4]	刘永建,曾国辉,黄勃,李晓斌. 改进蚁群算法的机器人路径规划研究[J]. 电子科技, 2020, 33(1): 13-18.
[5]	刘学芳,曾国辉,黄勃,鲁敦科. 基于改进蚁群算法的移动机器人路径规划研究[J]. 电子科技, 2019, 32(9): 5-9.
[6]	赵威,曾国辉,黄勃,朱爽鑫,刘瑾. 基于改进局部搜索算法的三维空间路径规划研究[J]. 电子科技, 2019, 32(6): 58-63.
[7]	陈晓光,吴芝路,蒋旭,张晓军. 基于人工鱼群的中继卫星多用户检测方法[J]. 电子科技, 2019, 32(10): 1-6.
[8]	李怡弘, 裘炅. 粒子群蚁群融合算法的火灾救援路径研究[J]. , 2018, 31(1): 58-.
[9]	赵惠光 1，何胜学 1，黄清 2，向乐佳 3. 基于改进蚁群算法的公交疏散策略研究[J]. , 2017, 30(4): 68-.
[10]	张晨，游晓明. 基于栅格模型机器人路径规划的量子蚁群算法[J]. , 2016, 29(7): 1-.
[11]	廉小萍,武子安,亢慧琼. 基于蚁群算法的OFDMA系统接纳控制[J]. , 2015, 28(6): 48-.
[12]	冯韦韦,裘炅. 蚁群算法在消防疏散平台上的应用[J]. , 2015, 28(4): 13-.
[13]	方璇,钟伯成. 基于人工鱼群PID控制算法的四旋翼飞行器控制[J]. , 2015, 28(12): 52-.
[14]	李菡薏,陈家琪. 云计算环境下任务调度算法的研究[J]. , 2015, 28(11): 43-.
[15]	惠晓龙,郜振鑫. 一种基于Petri网的多目标无死锁蚁群调度算法[J]. , 2014, 27(5): 179-.