振動信号在齒輪箱故障診斷系統中的應用
前言：齒輪箱是工業中根據要求改變速度和負載條件的基本裝置。在其設計和操作方面的不斷進步推動了其在工業應用中的廣泛應用。齒輪箱任何部件的故障都會導緻生産損失，增加維護成本。
是以，為了避免意外故障的發生，必須及早檢測到齒輪箱元件的故障。振動測量被廣泛應用于機器狀況的監測和維護預測，已成功預測了齒輪箱故障。本文旨在探究振動信号在齒輪箱自動故障診斷中的應用。
實驗裝置
實驗裝置主要包括三種裝置——電機、變速箱和測功機。電機功率用作驅動輸入齒輪箱，電機設有單獨的控制台，可改變電機速度從50 rpm到1440 rpm，并且配備資料記錄器，可根據不同的速度和操作負載條件記錄和存儲輸出電流、電壓和頻率等值。
變速箱由4套齒輪組成，有4個不同的速度範圍。齒輪箱中采用換檔杆，可根據需要換檔。渦流測功機耦合在齒輪箱輸出軸上，對齒輪箱施加載荷，可按Kg-m變化。
實驗程式
本實驗是根據實驗條件進行的。2電機輸入轉速2，負載2,4齒輪轉速和2齒輪故障條件，共32個試驗條件，如試驗條件表1所示。壓電加速度計用于擷取振動資料，并使用添加劑膠臨時固定在齒輪箱的頂部。從加速度計的輸出被連接配接到SO分析儀DAQ。
最初，齒輪箱配備了所有良好的齒輪，測試開始時，電機輸入速度為500rpm，齒輪箱與第1個齒輪配合，負載為0-Nm。速度和負荷運作應有一定的一緻性，允許裝置在特定條件下運作一段時間，使裝置運作一緻。
資料保持一緻後，将開始采集，采集将沿y軸方向進行300秒（5分鐘），每秒總共存儲8192個樣本以供進一步操作。對于剩下的31個實驗條件，也将遵循相同的程式。
統計特征
特征提取是原始信号信号降維的一種特殊形式。通常需要分析的輸入信号太大，很難處理這個巨大的資料。是以，将輸入信号轉換為一組特征被稱為特征提取。涉及更多數量的變量是執行複雜資料分析的一個主要問題。
特征提取用于組合變量來減少這些問題。本研究采用了時域統計特征，如均值、中值、模态、均方根、标準差、方差、偏态、峰度、最大值和最小值等。
支援向量機（SVM）
SVM是一種利用n維超平面進行分類的通用學習機器，具有更好的分類效率。SVM由于使用了成熟的模式識别方法而得到了廣泛的應用。本文用提出了兩類方法的原理。
SVM在兩組資料之間建立超平面。圖5清楚地顯示了兩個類問題，其中x表示類“A-+”，o表示類“A-”。SVM嘗試盡可能地放置兩個邊界平面，這樣可以改變平面方向，最大限度地提高兩個平面之間的邊界，減少量化誤差。
該超平面将被放置在兩個邊界平面之間。在邊界平面附近出現的特征稱為支援向量。線上性邊界的輸入空間中，不能正确地分離出兩類。通過将特征轉換為高維空間，可以建立一個平面，允許高維的線性分離。
結果
如表1所述，該試驗已經進行了良好的齒輪和表面磨損齒輪，并考慮了所有其他參數，如載荷、速度等。獲得的時域特征将被存儲，并使用Mat實驗室提取大量資料，通過提取均值、中位數、模态、均方根、峰度、偏斜度、最大值、最小值、方差和标準偏差。這些提取的資料分别包含了所有實驗條件下的值。
提取的良好齒輪和故障齒輪的特征被組合為一個檔案，表示其中的所有條件。然後通過對資料檔案進行訓練和測試，對該檔案進行SVM分類分析。
利用混淆矩陣計算了SVM的分類效率，如表2所示。表2中的FG表示出現故障的齒輪（面部磨損），GG表示良好的齒輪。0 N-m和5 N-m是所考慮的兩個加載參數。
Gear 1分類器的樣本測試結果以表2中混淆矩陣的形式表示。以下是從混淆矩陣中解釋的結果。
混淆矩陣中的對角線元素表示正确分類的執行個體的數量。第一行和第一列中的元素表示屬于“FG50010”類的資料點的數量，即故障齒輪，并被歸類為故障齒輪，但各有兩個執行個體被錯誤分類為類FG75010和GG50015。
第二行中的第二個元素顯示了屬于“FG50015”類的資料點數，但已被正确地分類為“FG50015”類，即具有100%的效率。同樣，所有8個資料集都可能存在一定的錯誤分類，并計算了其分類效率。對齒輪2、齒輪3和齒輪4重複相同的步驟。
所有4個齒輪的分類效率見表3。齒輪1由正确的分類組成執行個體為96.62%。齒輪2的分類效率低于其他齒輪。Gear4提供了100%的分類效率，沒有錯誤分類。對于兩類問題，SVM的分類效率非常好，可用于自動故障診斷。
結論
基于機器學習技術的汽車齒輪箱故障診斷是旋轉機械狀态監測領域的重要研究課題之一。對兩種不同速度和負載條件下的良好和故障齒輪進行了分類效率，并引用了四種齒輪的分類效率。支援向量機在識别齒輪箱内的各種故障方面具有較好的分類能力，可用于自動故障診斷。
