基于數(shù)據(jù)驅(qū)動(dòng)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(gè)緊湊的空間結(jié)構(gòu)中獲得高扭矩比，它廣泛應(yīng)用于工程機(jī)械、風(fēng)力發(fā)電和直升機(jī)等領(lǐng)域。行星齒輪箱通常由多個(gè)行星輪、太陽輪、齒圈和行星架組成。行星輪不但需要自轉(zhuǎn)，而且圍繞太陽輪公轉(zhuǎn)，這種特殊物理結(jié)構(gòu)決定了其故障診斷存在自身的特點(diǎn)和難點(diǎn)。具體來說，行星齒輪箱振動(dòng)傳輸路徑復(fù)雜，多齒嚙合導(dǎo)致振動(dòng)響應(yīng)時(shí)而增強(qiáng)時(shí)而抑制，振動(dòng)響應(yīng)成分復(fù)雜且具有非平穩(wěn)性，故障信號(hào)極易淹沒在噪聲等不相干信號(hào)中。因此，針對(duì)定軸齒輪箱的故障診斷技術(shù)在行星齒輪箱上往

2、往難以奏效。鑒于其在機(jī)械傳動(dòng)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(duì)于保障機(jī)械傳動(dòng)系統(tǒng)的可靠運(yùn)行和降低維護(hù)及停機(jī)造成的經(jīng)濟(jì)成本具有積極意義。
　　由于行星齒輪箱自身的復(fù)雜結(jié)構(gòu)，對(duì)其精確建模困難重重。已有模型通常建立在諸多假設(shè)條件之上，無法描述所有細(xì)節(jié)，進(jìn)而一些未知未建模動(dòng)態(tài)使得簡化模型難以精確反映行星齒輪箱在真實(shí)工況中的動(dòng)態(tài)響應(yīng)。數(shù)據(jù)驅(qū)動(dòng)方法無需物理建模，根據(jù)故障實(shí)驗(yàn)和歷史數(shù)據(jù)尋找并發(fā)現(xiàn)故障規(guī)律，進(jìn)而判別系統(tǒng)的健康狀態(tài)。

3、基于數(shù)據(jù)驅(qū)動(dòng)故障診斷方法通常包括故障實(shí)驗(yàn)設(shè)計(jì)、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(dòng)的行星齒輪箱故障診斷技術(shù)，主要工作和貢獻(xiàn)包括：
　　1.深入研究了基于數(shù)據(jù)驅(qū)動(dòng)的故障診斷方法中的降維技術(shù)，從不同角度提出了三種降維算法，同時(shí)指出了降維技術(shù)的重要性和必要性。
　　（1）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(zhǔn)則。通過測量核空間的余弦相似度，采用類分離度評(píng)估特征在故障診斷中的有

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

5、地評(píng)估故障特征，因此獲得的分類準(zhǔn)確率高。
　?。?）特征選擇和特征變換是兩種主流的降維技術(shù)。針對(duì)兩種降維技術(shù)的優(yōu)缺點(diǎn)，根據(jù)“揚(yáng)長避短”的思想，提出了一種結(jié)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(gè)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(shí)，該算法基于核化法，因此能夠辨識(shí)和利用非線性特征。研究結(jié)果表明，與單獨(dú)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(jié)合兩種技術(shù)的優(yōu)點(diǎn)，實(shí)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(dòng)的故障診斷技術(shù)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(píng)價(jià)的目標(biāo)函數(shù)，推導(dǎo)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(fù)雜度和最優(yōu)參數(shù)的求解時(shí)間。大量實(shí)驗(yàn)結(jié)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(dòng)的故障診斷通常需要在線更新知識(shí)數(shù)據(jù)庫，而在線學(xué)習(xí)要求一定的實(shí)時(shí)性，本算法具有快速求解最優(yōu)核參數(shù)的能力對(duì)于基于SVM的在線故障診斷學(xué)習(xí)意義重大。
　　3.嘗試研究了半監(jiān)督學(xué)習(xí)在基于數(shù)據(jù)驅(qū)動(dòng)的故障診斷方法中的應(yīng)用。在故障診斷模型中，特征數(shù)目大于樣本數(shù)目時(shí)可能導(dǎo)致諸如分類準(zhǔn)確率下降、模型復(fù)雜度和計(jì)算時(shí)間增加等問題。本文重點(diǎn)研究的降維技術(shù)通過減小特征集維度改善故障診斷模型的分類準(zhǔn)確率。本研究從另一方面入手，采用半監(jiān)督學(xué)習(xí)算法增加訓(xùn)練樣本