陈天熙，费叶琦，2*，江 琴，王吉平，闫业斌

(1.南京理工大学紫金学院智能制造学院，江苏 南京 210046；2.南京林业大学机械电子工程学院，江苏 南京 210037；3.上海普密德自动化科技有限公司，上海 200000)

齿轮作为最重要的传动元件之一，当它出现故障时往往会使设备失效甚至被破坏，对设备和人员都有极大的威胁，所以对齿轮进行准确的故障诊断十分重要。准确地对齿轮进行故障诊断，将会产生巨大的社会效益和经济效益，近年来国家与社会也对相关技术逐渐重视。

对齿轮箱故障诊断方法的原理进行分类，大致可以分为油液分析法、振动分析法以及声发射技术[1]。随着计算机技术、传感器技术以及信息技术的不断发展，新型的故障诊断方法也不断出现，包括系统数学模型的诊断方法、信号处理的诊断方法、人工智能的诊断方法等[2]。目前，在人工智能诊断方法中最常用到的是基于机器学习的故障诊断方法，如人工神经网络(ANN)、支持向量机(SVM)、粒子群优化(PSO)、深度学习和贝叶斯网络等，这些方法都可以通过对齿轮数据的学习来实现故障的诊断和分类。其中深度学习作为一种新的机器学习方法，可以从初始数据中提取、加强数据的特征，可以更加准确的对数据进行分析。

机器学习经过数十年的发展，现在已经在图像、语音、文本识别等领域广泛应用[3]。下文将重点介绍机器学习在齿轮故障诊断中的应用成果及未来的发展方向。

1 国内外研究发展和现状

机器学习一直是机械故障诊断研究领域的重要组成部分。下文将梳理国内和国外对基于机器学习的齿轮故障诊断的研究发展和现状。

1.1 国外研究发展历程和现状

机器学习技术最早出现在国外，并在国外快速发展。国外的研究发展和现状将分为机器学习的两个发展阶段——浅层学习和深度学习依次进行介绍。

1.1.1 浅层学习

20世纪40年代，自人工神经网络被提出以来，浅层学习模型就在不断发展。浅层学习模型在结构上一般只有一层或不含隐含层节点。浅层学习具有非线性的映射能力、良好的鲁棒性和较强的自学能力。直到今天，浅层学习方法主要包括人工神经网络(Artificial Neural Network，ANN)[4]、支持向量机(Support Vector Machine，SVM)[5]和Boosting算法[6]等。

在人工神经网络的发展中，UNGER[7]等对人工神经网络在故障诊断领域的应用进行了描述。此后，ANN开始广泛应用于故障诊断领域。ANN主要包括反向传播(Back Propagation，BP)神经网络、Elman神经网络、自组织竞争(Self-organizing Competitive，SC)神经网络、径向基(Radial Basis Function，RBF)神经网络、Hopfield神经网络等。

Adel Afia[8]搭建径向基函数神经网络模型并结合Autogram方法，Autogram方法可以优化传统峰度(Kurtogram)，实验结果表明，该方法可以有效对齿轮进行故障诊断并对齿轮的故障进行分类。C.Sreepradha[9]搭建人工神经网络模型对直齿轮润滑油状况进行预测，以此来对齿轮故障进行预防和检测。S.Bansal[10]使用SVM对齿轮进行故障诊断，并新加入了插值法和外插法来加强训练数据的泛用性，优化后的SVM可以对多类齿轮进行高正确率的故障诊断。

在各类神经网络的发展中也不断优化出各种更优秀的模型，如自组织特征映射(Self-Organizing feature Maps，SOM)神经网络[11]和学习向量量化(Learning Vector Quantization，LVQ)神经网络[12]等。

通过以上可以看出浅层学习在齿轮故障诊断中有良好的表现，但是由于其无法对数据特征进行有效提取，所以在故障诊断方面的应用逐渐陷入瓶颈。随着机器学习的发展，可以有效加强、提取数据特征的深度学习出现了。

1.1.2 深度学习

HINTON[13]等在2006年首次提出了深度学习(deep learning)的概念，他们构建了包含多层隐含层(如卷积层、池化层等)的网络结构，这使得神经网络对数据特征的学习能力大大加强，深度学习浪潮由此展开。目前，被广泛使用的深度学习方法主要包括卷积神经网络(Convolutional Neural Networks，CNN)、自动编码器(Auto-Encoder，AE)以及深度置信网络(Deep Belief Network，DBN)等。

CNN的缩放不变性与局部学习特性为其在机械故障诊断领域的应用奠定了基础[14]。CHEN[15]等研究了卷积神经网络在齿轮箱故障识别和分类中的应用，实验得出卷积神经网络在对齿轮故障诊断时有优秀的表现。Ozhan Gecgel[16]等通过将齿轮的仿真振动数据输入机器学习和深度学习模型当中，并进行正确率对比，得出和传统的机器学习(如分类支持向量机(SVC)、分类树(DTC)等)相比，卷积神经网络的正确率更高。Tadas Žvirblis[17]使用一维和二维卷积神经网络、长短期记忆和Transformer等深度学习算法，对双曲面齿轮进行故障诊断，验证了使用深度学习的神经网络有更高的故障识别正确率。

深度学习的自动提取特征能力可以有效提取齿轮数据中的特征，在对齿轮进行故障诊断时表现出优秀的准确率与鲁棒性。

1.2 国内研究发展历程和现状

与发达国家相比，中国在基于机器学习的机械故障诊断技术研究和应用方面相对较晚。然而，我国许多大学和科研机构在机械故障诊断方面做出了许多努力，早期研究始于清华大学、西北工业大学、上海交通大学等。

自20世纪60年代，我国科研人员对故障诊断的方法和原理进行快速的学习和研究。在故障原理、数据的特征提取、复杂机械系统的故障诊断等领域取得了显著进展[18]，验证了基于浅层学习的故障诊断模型的可行性，并且在原有模型的基础上进行改进。薛萍[19]等使用改进的双RBF神经网络，对经过提取特征处理后的振动数据进行故障诊断，搭建齿轮故障检测平台并验证了模型对齿轮故障诊断的正确性和有效性。朱文辉[20]等在BP神经网络的基础上加入了离散隐马尔可夫模型(DHMM)，将DHMM较强的时序建模能力和神经网络相结合，较好地提高了齿轮故障诊断的正确率。张晓莉[21]等为了解决SVM中惩罚函数和核函数的选取问题，使用遗传算法和粒子群算法对SVM中的核函数进行优化，实验结果表明优化后的参数可以有效提高SVM对齿轮箱进行故障诊断的正确率。

在深度学习领域，我国科研人员们也有很多新尝试、新发现。永尧[22]等在标准CNN模型的基础上提出一种堆叠卷积神经网络模型来对齿轮进行故障检测，实验结果表明这个模型在对不同工况下的齿轮进行故障诊断都有较好的效果。郗涛[23]等在卷积神经网络的基础上加入了一种基于参数优化的变分模态分解(VMD)，并且使用正交实验法和粒子群优化算法对CNN中的参数进行优化，实验结果可得知该模型在齿轮故障诊断中有优秀的表现。张能文[24]等针对旋转机械齿轮箱的故障诊断提出了一种融合对称点图案(SDP)和卷积神经网络相结合的诊断方法，把振动信号通过SDP方法转化为具有特征信息的二维图像，再使用CNN对获得的二维图像提取特征，最后使用分类器进行分类，实验证明该模型能够准确地对齿轮箱进行故障诊断。

由于机械故障诊断的重要性，如今国家与社会也逐渐重视有关机械故障诊断方面的研究，国家自然科学基金(NSFC)资助的有关故障诊断的项目数量逐年提升[25]，并且因在故障诊断方面研究而获奖的项目数量也在逐年提升。随着传感器技术、计算机技术、云计算、云存储技术的发展，未来的故障诊断领域会不断改进优化现有技术，也会出现更多优秀的新技术。

2 问题与挑战

目前，与机械故障诊断研究相关的问题可以大体概括为：过多研究故障现象，较少研究故障原理；过多研究简单机械的故障，较少研究复杂机械的故障；过多研究单一数据的分析方法，较少研究多种数据综合分析的方法。另外，由于数据获取成本的原因，也有对仿真数据的研究较多，对实际工程数据的研究较少的问题。

3 未来展望

机器学习由于拥有自动化、智能化等特点，一直是人工智能领域的重要组成部分之一。机器学习从出现开始就以高准确率、高鲁棒性等优点被广泛应用于故障诊断领域。本文介绍了国内和国外对基于机器学习的齿轮故障诊断技术的研究、发展和现状，从列举的各个文献资料中都验证了机器学习在齿轮故障诊断领域中的优越性，最后对于基于机器学习对齿轮进行故障诊断技术出现的问题和未来的研究方向有以下几点展望：

(1)在各类机器学习中，都需要大量数据对模型进行训练，这会增大数据获取的成本和难度，因此基于小样本量的优秀机器学习模型是未来发展方向之一。

(2)无论是浅层学习还是深度学习的模型结构，都是黑盒模型，即只知道输入与输出之间的关系，而不知道内部结构，所以为内部结构提供理论依据是未来重要的发展方向。

(3) 实验数据的获取往往需要大量时间与精力，随着云存储、云数据的发展，可以建立云数据库，各个实验室可以上传实验数据做到数据共享，既可以获得多种条件下的数据，还可以减少数据获得的成本。

(4)在实际的齿轮使用中，往往会有一个复杂的环境，这也导致实验测得的数据与实际会有较大的误差，如何对数据进行特征提取，减少环境对数据的干扰，这也是未来的研究方向之一。

(5)各类机器学习方法各有优缺点，可以对各种方法取长补短，将不同的模型相互结合来综合改进算法形成集成学习系统是未来的发展方向之一。

(6)现在的故障诊断数据大部分是已经从出现损坏的元件中获得，这将会使得真实应用的时候只有元件故障明显时才会被诊断，因此，研究如何进行设备的早期故障诊断，甚至预测故障的出现是未来的发展之一。