基于数据驱动的行星齿轮箱故障诊断方法研究

论文摘要

行星齿轮箱能够在一个紧凑的空间结构中获得高扭矩比，它广泛应用于工程机械、风力发电和直升机等领域。行星齿轮箱通常由多个行星轮、太阳轮、齿圈和行星架组成。行星轮不但需要自转，而且围绕太阳轮公转，这种特殊物理结构决定了其故障诊断存在自身的特点和难点。具体来说，行星齿轮箱振动传输路径复杂，多齿啮合导致振动响应时而增强时而抑制，振动响应成分复杂且具有非平稳性，故障信号极易淹没在噪声等不相干信号中。因此，针对定轴齿轮箱的故障诊断技术在行星齿轮箱上往往难以奏效。鉴于其在机械传动系统中的重要地位，开展行星齿轮箱故障诊断方法研究对于保障机械传动系统的可靠运行和降低维护及停机造成的经济成本具有积极意义。由于行星齿轮箱自身的复杂结构，对其精确建模困难重重。已有模型通常建立在诸多假设条件之上，无法描述所有细节，进而一些未知未建模动态使得简化模型难以精确反映行星齿轮箱在真实工况中的动态响应。数据驱动方法无需物理建模，根据故障实验和历史数据寻找并发现故障规律，进而判别系统的健康状态。基于数据驱动故障诊断方法通常包括故障实验设计、数据采集、数据清理、特征提取、特征集降维和模型建立。本文研究了基于数据驱动的行星齿轮箱故障诊断技术，主要工作和贡献包括：1.深入研究了基于数据驱动的故障诊断方法中的降维技术，从不同角度提出了三种降维算法，同时指出了降维技术的重要性和必要性。（1）从核化分类算法的需求出发，提出了一种核空间上的特征排序准则。通过测量核空间的余弦相似度，采用类分离度评估特征在故障诊断中的有效性。对比研究结果表明，该算法能够合理地评价故障特征，快速为核化分类算法（例如SVM）实现特征选择。（2）从单一特征有效性准则的局限性出发，提出了一种基于多准则融合的特征选择算法。该算法能够从有效性、相关性和分类能力三个方面更加全面地评价特征。有效性准则用来评估特征的推广性，相关性准则用来降低特征子集的冗余度，而分类能力准则用来保证特征子集获得的分类准确率高。研究结果表明，与单一准则相比，这种多准则融合算法能够更加全面和准确地评估故障特征，因此获得的分类准确率高。（3）特征选择和特征变换是两种主流的降维技术。针对两种降维技术的优缺点，根据“扬长避短”的思想，提出了一种结合特征选择和特征变换的混合降维算法。特征选择能够减少整个模型输入特征的维度，而特征变换能够降低分类器输入特征的维度。同时，该算法基于核化法，因此能够辨识和利用非线性特征。研究结果表明，与单独使用特征选择或特征变换算法相比，这种混合降维算法能够结合两种技术的优点，实现更大的特征压缩比，获得具有更大单位信息量的故障特征。2.深入研究了SVM中高斯径向基核函数的参数优化问题。SVM是基于数据驱动的故障诊断技术中最为常用的分类器之一，核参数的取值极大影响着SVM的性能。本研究通过建立了参数评价的目标函数，推导求解，最终获取最优核参数的解析解。本算法未引入同类算法中经常使用的优化搜索算法，因此极大降低了算法复杂度和最优参数的求解时间。大量实验结果表明，本算法能够快速且有效地解决核参数优化问题。此外，基于数据驱动的故障诊断通常需要在线更新知识数据库，而在线学习要求一定的实时性，本算法具有快速求解最优核参数的能力对于基于SVM的在线故障诊断学习意义重大。3.尝试研究了半监督学习在基于数据驱动的故障诊断方法中的应用。在故障诊断模型中，特征数目大于样本数目时可能导致诸如分类准确率下降、模型复杂度和计算时间增加等问题。本文重点研究的降维技术通过减小特征集维度改善故障诊断模型的分类准确率。本研究从另一方面入手，采用半监督学习算法增加训练样本数目，提出了一种非参数化的半监督学习算法，通过样本排序获得最可信预测样本，扩展已知类别训练集的样本数目，进而达到改善故障分类准确率的目的。对比研究结果表明，在面临小样本学习情况时，该算法能够提高分类准确率。

论文目录

• 摘要
• ABSTRACT
• 主要符号含义
• 缩略字
• 第一章 绪论
• 1.1 选题背景及研究意义
• 1.2 国内外研究现状
• 1.2.1 国内研究现状
• 1.2.2 国外研究现状
• 1.3 本文主要工作
• 1.4 本文结构安排
• 第二章 行星齿轮箱故障实验与特征提取
• 2.1 行星齿轮箱故障实验装置
• 2.2 故障实验（一）：点蚀故障实验
• 2.3 故障实验（二）：裂纹与断齿故障实验
• 2.4 实验数据采集
• 2.5 故障特征提取
• 2.5.1 时域统计类特征
• 2.5.2 频域统计类特征
• 2.6 本章小结
• 第三章 故障诊断中的降维技术研究
• 3.1 基于核空间的特征排序准则
• 3.1.1 引言
• 3.1.2 算法设计
• 3.1.3 本算法在行星齿轮箱故障诊断中的应用
• 3.1.4 本节小结
• 3.2 基于多准则融合的特征选择算法
• 3.2.1 引言
• 3.2.2 算法设计
• 3.2.3 本算法在行星齿轮箱故障诊断中的应用
• 3.2.4 本节小结
• 3.3 基于核特征选择和 KFDA 的混合降维算法
• 3.3.1 引言
• 3.3.2 算法设计
• 3.3.3 本算法在行星齿轮箱故障诊断中的应用
• 3.3.4 本节小结
• 3.4 本章小结
• 第四章 基于解析解的 SVM 诊断模型参数优化算法
• 4.1 引言
• 4.2 SVM 原理
• 4.3 算法设计
• 4.3.1 高斯径向基核空间
• 4.3.2 类离散度
• 4.3.3 最优核参数的求解
• 4.3.4 权向量的选择
• 4.3.5 案例学习
• 4.4 算法验证
• 4.5 算法讨论
• 4.6 本章小结
• 第五章 基于半监督学习的故障诊断算法
• 5.1 引言
• 5.2 K 近邻法原理
• 5.3 算法设计
• 5.3.1 样本排序
• 5.3.2 半监督学习
• 5.4 本算法在行星齿轮箱故障诊断中的应用
• 5.5 本章小结
• 第六章 结论与展望
• 6.1 本文的主要贡献
• 6.2 下一步工作的展望
• 致谢
• 参考文献
• 攻博期间取得的研究成果