沈飞　陈超　徐佳文　严如强

摘要： 提出一种空间迁移新思路，以提升齿轮箱故障诊断性能，其由辅助振动数据构成源领域、目标振动数据构成目标领域，迁移学习（Transfer learning，TL）将前者分类模型应用至后者，以克服短时间内目标振动数据不足的问题。根据频带选择独立成分分析（Band selective independent component analysis，BS?ICA）规则选择迁移模型的数据领域，并提取其时域特征构成五维空间。利用均衡密度投影（Equilibrium density projection，MDP）将源领域和目标领域同时映射至二维投影空间，并最小化领域均值差异以拉近两者在低维空间内的距离。在投影空间内，利用逻辑回归（Logistic regression， LR）和支持向量机（Support vector machine，SVM）基分类器对映射样本实施分类。同时通过剔除低质量源领域样本，加入新采集样本以维持模型更新。利用Spectra Quest齿轮传动系统，对比迁移成分分析（Transfer composition analysis，TCA）、领域适应机（Domain selection machine，DSM）等传统TL模型，所提方法不但能提高工况快速变化时的诊断精度，同时能加快诊断速度，具有实际的工程应用价值。

关键词： 故障诊断; 齿轮箱; 空间迁移; 频带选择独立成分分析; 均衡密度投影

中图分类号： TH165+.3; TH132.41    文献标志码： A    文章编号： 1004-4523（2021）02-0389-13

DOI：10.16385/j.cnki.issn.1004-4523.2021.02.020

引  言

当前针对复杂齿轮传动系统的故障诊断模型普遍存在如下两个局限性[1?3]：1）由于机械设备功能和结构的互不相同，其所包含的齿轮部件也千差万别，不同齿轮组装方式、齿轮结构及传动轴长度等因素均可能导致齿轮传动系统各部件的输出特性（如振动和噪声）存在差异，因此某一局部建立的故障诊断模型无法直接应用至另一局部，可移植性较差;2）由于齿轮箱工况变化等原因使得部分数据无法利用，从而导致齿轮故障诊断模型难以满足实时性，其在所需建模数据量多、执行周期长的齿轮箱故障诊断策略中尤为明显。……