齿轮是机械设备中广泛使用的重要部件,它的损伤和失效常常导致传动系统或整机的故障,从而导致重大安全事故。因此,作为动力传递核心的齿轮箱装置的故障检测与诊断受到了越来越多的重视。 本文在齿轮故障特征选择和提取的基础上,将关联向量机应用于齿轮箱故障诊断,重点研究齿轮箱早期故障的检测与复杂相似故障的分类问题。 其主要研究内容如下： 第一,介绍贝叶斯估计和支持向量机的基本原理和应用,在此基础上引入关联向量机,对RVM的分类原理进行了详述。 第二,以RVM二分类算法为基础,结合故障诊断,详细说明构造RVM故障检测方法和故障多分类方法的原理及过程。 第三,针对齿轮箱故障难以提取的问题,引入KDDA特征选择和提取方法。构造可分性评价指标来进行特征选择,将特征选择得到的特征向量用于核直接判别分析的特征提取,并与核主元分析方法进行比较。在特征选择和提取的基础上,利用Fishers iris数据进行关联向量机检测和多分类仿真,对关联向量机检测和支持向量数据方法进行了比较,仿真验证了检测算法和多分类算法的有效性。 第四,结合齿轮箱实验,建立多故障分类器。将RVM应用于齿轮箱故障检测与分类,并与SVM故障分类器进行比较。RVM检测模型在对轻微故障的检测中体现出良好的性能,RVM多故障分类器比SVM多故障分类器具有更好的分类正确性。 最后讨论了不同核函数、核参数及关联向量对RVM分类器性能的影响。 综上所述,论文提出了基于RVM的故障检测与分类方法,通过理论研究与实验分析证明了该方法在故障检测与分类中的优越性能。