基于數(shù)據(jù)驅(qū)動的行星齒輪箱故障診斷方法研究.pdf

1、行星齒輪箱能夠在一個緊湊的空間結構中獲得高扭矩比，它廣泛應用于工程機械、風力發(fā)電和直升機等領域。行星齒輪箱通常由多個行星輪、太陽輪、齒圈和行星架組成。行星輪不但需要自轉，而且圍繞太陽輪公轉，這種特殊物理結構決定了其故障診斷存在自身的特點和難點。具體來說，行星齒輪箱振動傳輸路徑復雜，多齒嚙合導致振動響應時而增強時而抑制，振動響應成分復雜且具有非平穩(wěn)性，故障信號極易淹沒在噪聲等不相干信號中。因此，針對定軸齒輪箱的故障診斷技術在行星齒輪箱上往

2、往難以奏效。鑒于其在機械傳動系統(tǒng)中的重要地位，開展行星齒輪箱故障診斷方法研究對于保障機械傳動系統(tǒng)的可靠運行和降低維護及停機造成的經(jīng)濟成本具有積極意義。
　　由于行星齒輪箱自身的復雜結構，對其精確建模困難重重。已有模型通常建立在諸多假設條件之上，無法描述所有細節(jié)，進而一些未知未建模動態(tài)使得簡化模型難以精確反映行星齒輪箱在真實工況中的動態(tài)響應。數(shù)據(jù)驅(qū)動方法無需物理建模，根據(jù)故障實驗和歷史數(shù)據(jù)尋找并發(fā)現(xiàn)故障規(guī)律，進而判別系統(tǒng)的健康狀態(tài)。

3、基于數(shù)據(jù)驅(qū)動故障診斷方法通常包括故障實驗設計、數(shù)據(jù)采集、數(shù)據(jù)清理、特征提取、特征集降維和模型建立。本文研究了基于數(shù)據(jù)驅(qū)動的行星齒輪箱故障診斷技術，主要工作和貢獻包括：
　　1.深入研究了基于數(shù)據(jù)驅(qū)動的故障診斷方法中的降維技術，從不同角度提出了三種降維算法，同時指出了降維技術的重要性和必要性。
　?。?）從核化分類算法的需求出發(fā)，提出了一種核空間上的特征排序準則。通過測量核空間的余弦相似度，采用類分離度評估特征在故障診斷中的有

4、效性。對比研究結果表明，該算法能夠合理地評價故障特征，快速為核化分類算法（例如SVM）實現(xiàn)特征選擇。
　?。?）從單一特征有效性準則的局限性出發(fā)，提出了一種基于多準則融合的特征選擇算法。該算法能夠從有效性、相關性和分類能力三個方面更加全面地評價特征。有效性準則用來評估特征的推廣性，相關性準則用來降低特征子集的冗余度，而分類能力準則用來保證特征子集獲得的分類準確率高。研究結果表明，與單一準則相比，這種多準則融合算法能夠更加全面和準確

5、地評估故障特征，因此獲得的分類準確率高。
　?。?）特征選擇和特征變換是兩種主流的降維技術。針對兩種降維技術的優(yōu)缺點，根據(jù)“揚長避短”的思想，提出了一種結合特征選擇和特征變換的混合降維算法。特征選擇能夠減少整個模型輸入特征的維度，而特征變換能夠降低分類器輸入特征的維度。同時，該算法基于核化法，因此能夠辨識和利用非線性特征。研究結果表明，與單獨使用特征選擇或特征變換算法相比，這種混合降維算法能夠結合兩種技術的優(yōu)點，實現(xiàn)更大的特征壓縮

6、比，獲得具有更大單位信息量的故障特征。
　　2.深入研究了SVM中高斯徑向基核函數(shù)的參數(shù)優(yōu)化問題。SVM是基于數(shù)據(jù)驅(qū)動的故障診斷技術中最為常用的分類器之一，核參數(shù)的取值極大影響著SVM的性能。本研究通過建立了參數(shù)評價的目標函數(shù)，推導求解，最終獲取最優(yōu)核參數(shù)的解析解。本算法未引入同類算法中經(jīng)常使用的優(yōu)化搜索算法，因此極大降低了算法復雜度和最優(yōu)參數(shù)的求解時間。大量實驗結果表明，本算法能夠快速且有效地解決核參數(shù)優(yōu)化問題。此外，基于數(shù)據(jù)驅(qū)

7、動的故障診斷通常需要在線更新知識數(shù)據(jù)庫，而在線學習要求一定的實時性，本算法具有快速求解最優(yōu)核參數(shù)的能力對于基于SVM的在線故障診斷學習意義重大。
　　3.嘗試研究了半監(jiān)督學習在基于數(shù)據(jù)驅(qū)動的故障診斷方法中的應用。在故障診斷模型中，特征數(shù)目大于樣本數(shù)目時可能導致諸如分類準確率下降、模型復雜度和計算時間增加等問題。本文重點研究的降維技術通過減小特征集維度改善故障診斷模型的分類準確率。本研究從另一方面入手，采用半監(jiān)督學習算法增加訓練樣本