夏 源，王艺华，张鑫瑞

(西安工业大学 机电工程学院，西安 710021)

0 引言

齿轮箱是连接和传递动力的传动装置，被广泛用在农业机械中。但由于其内部结构复杂，工作环境恶劣等因素，齿轮和轴承等主要部件易发生故障。因此，对齿轮箱进行故障特征提取和模式识别是当前亟需解决的问题。

为此，采用ReliefF算法对齿轮箱振动信号的特征向量进行降维，去除敏感度较差的特征向量，保留敏感度高的特征向量。将敏感度高的特征向量导入深度置信网络中，进行故障的模式识别。

1 ReliefF 算法简介

式(1)中：diff(A,R,Hj)是样本R与Hj在特征A上的差；C为与样本R不同的类总数；P(C)为第C类的概率；class(R)为样本R所在的类；M为类C中与样本R的第J个最近邻样本；diff(A,R,Mj(C))为样本R与样本M在特征上的差。

其中diff(A,R,Hj)分为两部分，其中对于离散变量

(2)

对于连续变量

式(2)、式(3)中R(A)和Hj(A)代表R和Hj在特征A下的样本值。

(5)反复计算上述步骤m次，获得特征向量权重。

最后设定一个权重阈值，将超过该值的特征向量构成敏感特征集合，完成特征降维。

2 深度置信网络

深度置信网络(Deep Belief Net, DBN)由两部分构成，分别是基于受限玻尔兹曼机(Restricted Boltzmann Machine, RBM)的无监督训练和反向调参。

2.1 基于RBM的无监督训练

无监督训练阶段最重要的就是训练RBM，以确保获得准确的权重值。RBM的可见节点和隐含节点间是全连接，而隐含层和可见层层内两两之间不存在连接[2]。在训练RBM时，原始数据输入到可见层，形成向量V，再通过权重值W传递给隐含层，得到向量H，这样可以同时得到所有的隐含层节点值。隐含层向量和可见层输入向量的差值，就作为权重更新的依据。……