基于支持向量机分类算法的齿轮箱故障诊断

针对现有齿轮箱故障评价需要研究设备机理造成的效率底下，功能性不强的问题，提出了基于支持向量机分类算法的齿轮箱故障诊断方法。首先，对传感器收集到的振动信号数据进行分析，提取相关特征。然后，绘制不同传感器在不同状态下的振动信号时间序列函数，并对这些函数的特征进行了简要分析。其次，对数据提取了平均值，方差这两个用以描述振动数据的总体趋势的特征变量，以及峰度，偏度这两个对判断齿轮箱齿轮故障有着重要作用的特征变量，并利用MATLAB、SPSSPRO对每一组数据进行了特征数据计算。最后，利用孤立森林、朴素贝叶斯、支持向量机三种分类算法，分别对数据集进行模型求解，然后通过对比三个算法结果中的准确率、召回率和测试集、训练集之间拟合程度，得到支持向量机分类算法针对齿轮箱的故障检测最优。

齿轮箱是现代工业发电机组必不可少的机械装置，其应用范围广泛，例如在风力发电机组、核电齿轮箱、起重机等。其内部结构复杂，工作时由于零部件之间的相互作用以及外部环境影响，内部零部件极易发生损坏[1]。若设备长期运行在故障状态下运行，轻则系统瘫痪，重则影响生产乃至人身安全，因此对齿轮箱进行早期故障的预防与诊断十分重要。传统的齿轮箱故障诊断方法有直接观察法、无损检测法、振动和噪声检测法、机器性能参数检测法和磨损残余物检测法等[2]。P. Caselitz 等[3]将基于频谱分析方法应用于海上风电机组的状态监测和故障诊断中，其主要利用嵌入式开发技术，同时搭建了整个测试系统。

Michael 等[4]通过监测齿轮箱的振动信号以及风机主轴转速、位移和转矩， 通过分析这些信号对风电机组进行故障诊断。徐展等[5]通过频域、小波多分辨率分析和时域等方法展示了风电机组传动链的故障诊断过程，并总结出了故障的监测以及故障的诊断方法。基于数据挖掘的智能故障诊断方法通过数理统计、数学分析、专家系统、情报检索、模式识别、人工智能理论、和机器学习的方法[2]，可以挖掘出未知的、有效的以及试用的信息，并将这些信息用于设备的故障诊断。戚等[6]提出了一种基于水母搜索优化变分模态提取(JS-VME)、深度置信网络(DBN)和监督型马氏距离的均匀流形逼近与投影算法(MS-UMAP)的行星齿轮箱故障诊断方法，解决了行星齿轮箱振动信号存在噪声干扰和特征提取困难的问题。针对多尺度的识别诊断问题，庄等[7]提出了一种基于混合精细复合多尺度波动散布熵(HRCMFDE)特征提取、拉普拉斯分数(LS)特征降维优化和蝙蝠算法优化支持向量机(BA-SVM)故障识别的行星齿轮箱