基于机器学习的齿轮箱故障诊断

齿轮箱是用于增加输出扭矩或改变电机速度的机械装置，被广泛应用于如汽车、输送机、风机等机械设备中。在齿轮箱运行过程中，可以通过加速度传感器采集振动信号来判断齿轮箱是否出现异常，传统对数据进行分析的方式耗时大，取而代之的机器学习诊断方式能够有效的诊断其中的问题数据判断机械故障情况。基于此问题，本文提出了基于支持向量机(SVM)、决策树分类和BP神经网络分类的三种分类模型，建立故障数据分类模型，分别进行故障数据的分类和对比，最终得出最好的分类模型。

齿轮箱是用于增加输出扭矩或改变电机速度的机械装置，被广泛应用于如汽车、输送机、风机等机械设备中，它由两个或多个齿轮组成，其中一个齿轮由电机驱动。齿轮箱作为机械的核心出现故障时会造成巨大的危害，在齿轮箱运行时多采用速度传感器采集振动信号，对采集的振动信号数据进行分析判断齿轮箱是否出现故障。赵嘉玮[1]提出基于SVM 算法对草莓的各项特征数据进行分类，判断草莓的品阶，经测试该分类方法的准确率为84.34%。杨丽萍[2]等人使用决策树分类算法对学生的所有成绩数据进行分类算法建模， 判断学生的成绩通过情况。

孙嘉谦等人提出基于BP 神经网络的矿石分类方法， 使用神经网络分类模型对矿石的特征数据进行分类建模，判断矿石的类型，经测试该模型的准确率为90.6%。本文使用基于支持向量机(SVM)、决策树分类、BP 神经网络分类的三种分类模型对采集到的齿轮箱的各类故障数据进行分类建模， 并使用搭建好的模型对12 组不同故障状态的齿轮箱采集的信号进行分类测试， 对三种模型的精度进行对比，得出其中精度最高的分类模型。

2. 三种分类模型介绍 2.1. SVM 算法 2.1.1. SVM 算法概述 支持向量机(Support Vector Machine, SVM)由Vapnik 首先提出， 像多层感知器网络和径向基函数网络一样，支持向量机可用于多模式分类和非线性回归[1]。支持向量机的主要思想是建立个分类超平面作为决策曲面，使得正例和反例之间的隔离边缘被最大化；支待向量机的理论基础是统计学习理论，更精确地说，支持向量机是结构风险最小化的近似实现。这个原理基于这样的事实：学习机器在测试数据上的误差率(即泛化误差率)以训练误差率和一个依赖于VC 维数(Vapnik-Chervonenkis dimension)的项的和为界，在可分模式情况下，支持向量机对于前一项的值为零，并且使第二项最小化。因此，尽管它不利用问题的领域内部问题，但在模式分类问题上支持向量机能提供好的泛化性能，这个属性是支持向量机特有的。

支持向盘机具有以下的优点： 1) 通用性：能够在很广的各种函数集中构造函数； 2) 鲁棒性：不需要微调； 3) 有效性：在解决实际问题中总是属于最好的方法之一； 4) 计算简单：方法的实现只需要利用简单的优化技术； 5) 理论上完善：基于VC 推广性理论的框架 支持向量机的结构体系如下图1：