王 岩 史小利

（1.高速列车系统集成国家工程实验室（南方），青岛 266111；2.南车青岛四方机车车辆股份有限公司技术中心，山东青岛 266111）

0 引言

齿轮作为一种通用的变速传动机构[1]，在农业机械，工业生产，运输机械以及航空航天等行业应用非常广泛。但由于其本身的结构比较复杂，工作环境恶劣，齿轮很容易出现故障。因此，对齿轮进行故障诊断非常必要。

齿轮故障诊断的关键是如何从采集到的信号中提取有效的特征值来表征其故障状态。传统的特征提取方法得到的特征量之间往往存在冗余信息，以及错误的干扰信息，这些信息往往会降低诊断的效率甚至误导诊断的结果。本文提出了一种基于粗糙集神经网络的齿轮故障诊断方法，先利用粗糙集对提取的齿轮特征集进行属性约减，然后以约减后的特征集作为输入，利用BP神经网络进行建模，有效的提高的齿轮故障诊断的效率和精度。

1 粗糙集神经网络结构和原理

1.1 基于粗糙集的特征属性约简

粗糙集[2]的概念最早是由Z.Pawlak提出的，它在不精确、不确定和不完备系统的知识发掘中有着非常广泛的应用。其主要思想是，在保持信息系统分类能力不变的前提下，通过属性的约减，导出问题的决策或分类规则[3]。在高维特征量的数据预处理中，粗糙集可以用来对高维数据进行属性约减，消除特征数据中的冗余信息，从而达到对高维特征量的降维处理，得到更加精确的特征量。利用粗糙集进行特征属性约减可以分以下几个步骤进行：