基于不同工况下辅助数据集的齿轮箱故障诊断

发布时间：2017-12-25 08:30

  本文关键词：基于不同工况下辅助数据集的齿轮箱故障诊断　出处：《振动与冲击》2017年10期 　论文类型：期刊论文

  更多相关文章： 齿轮箱 不同工况 辅助数据集 故障诊断 迁移成分分析

【摘要】：针对变工况下齿轮箱监测数据重用性低,受复杂工况影响大和已训练模型经常失效的问题,提出基于不同工况下辅助数据集的迁移成分分析方法用于设备故障诊断。迁移成分分析(Transfer Component Analysis,TCA)通过核函数将训练样本与测试样本映射到潜在空间,进而减小训练样本与测试样本的分布差异性。重点对比分析训练数据中不同工况下辅助数据所占比例对迁移成分分析算法性能的影响,通过仿真分析和实验验证得出,迁移成分分析方法相比传统机器学习算法,明显地减小了训练样本与测试样本的分布差异,具有更高的监测数据重用率与更高的诊断准确率,有效提高了齿轮箱变工况故障诊断的准确率和可靠性。
【作者单位】： 中国石油大学(北京)机械与储运工程学院;
【基金】：国家自然科学基金(51504274;51674277) 国家重点研发计划(2016YFC0802103) 中国石油大学(北京)自然科学基金(2462014YJRC039;2462015YQ0403)
【分类号】：TH132.41
【正文快照】： 齿轮箱作为动设备群中最为常见的传动部件,其内部件如轴承、齿轮制造安装精度高,经常在重载高速等复杂工况下连续运转,因此其故障率往往较高[1-3]。近年来,国内外研究学者在齿轮箱信号特征提取与分析、基于人工智能的故障诊断技术,以及故障预测模型等方面做了大量工作。然而,，

本文编号：1332102