曾 柯， 柏 林

(重庆大学 机械传动国家重点实验室，重庆 400044)

齿轮箱振动信号由于系统本身的复杂性，以及振动在传输过程中的衰减和耦合等，往往表现出非线性的特征。尤其是在发生故障时，故障源产生的激励会使齿轮啮合刚度产生相应的变化，这种故障引起的时变刚度使得齿轮振动的非线性和非平稳性更加突出。另者，由于加工和安装引起的误差激励以及非稳态齿轮啮合也会使得齿轮振动本身具有很强的非线性[1]。传统线性和平稳的特征提取技术，容易丢失重要的非线性状态信息，不能很好地从复杂的非线性信号中提取真实反映其非线性振动本质的有效状态特征[2]。因此采用非线性特征测度方法对齿轮箱振动信号进行状态分析，能够更加准确地辨识出齿轮箱的状态特征。

在传统的模式识别方法中，SVM(Support Vector Machine)是一个二分类算法，对均衡或近似均衡分布的样本，分类效果显著[3]。但是对于一个多分类问题，SVM只能通过一对其余或二叉树等多分类方法来实现，但是这些多分类方法都不能解决样本不均衡而导致分类精度降低的问题，SVM在处理该类问题时往往不尽人意[4]。所谓样本不均衡一般是指用于训练分类器的两类样本中，一类样本的数量要远大于另一类[5]，样本不均衡问题一般在多分类问题中会经常出现。Jayadeva等[6]提出的TWSVM(Twin Support Vector Machine)可以通过参数的调整克服样本不平衡问题[7]。具体来说TWSVM算法可以通过实施不同的惩罚因子以克服传统……