振动信号在齿轮箱故障诊断系统中的应用
前言：齿轮箱是工业中根据要求改变速度和负载条件的基本设备。在其设计和操作方面的不断进步推动了其在工业应用中的广泛应用。齿轮箱任何部件的故障都会导致生产损失，增加维护成本。
因此，为了避免意外故障的发生，必须及早检测到齿轮箱组件的故障。振动测量被广泛应用于机器状况的监测和维护预测，已成功预测了齿轮箱故障。本文旨在探究振动信号在齿轮箱自动故障诊断中的应用。
实验装置
实验装置主要包括三种设备——电机、变速箱和测功机。电机功率用作驱动输入齿轮箱，电机设有单独的控制面板，可改变电机速度从50 rpm到1440 rpm，并且配备数据记录器，可根据不同的速度和操作负载条件记录和存储输出电流、电压和频率等值。
变速箱由4套齿轮组成，有4个不同的速度范围。齿轮箱中采用换档杆，可根据需要换档。涡流测功机耦合在齿轮箱输出轴上，对齿轮箱施加载荷，可按Kg-m变化。
实验程序
本实验是根据实验条件进行的。2电机输入转速2，负载2,4齿轮转速和2齿轮故障条件，共32个试验条件，如试验条件表1所示。压电加速度计用于获取振动数据，并使用添加剂胶临时固定在齿轮箱的顶部。从加速度计的输出被连接到SO分析仪DAQ。
最初，齿轮箱配备了所有良好的齿轮，测试开始时，电机输入速度为500rpm，齿轮箱与第1个齿轮配合，负载为0-Nm。速度和负荷运行应有一定的一致性，允许设备在特定条件下运行一段时间，使设备运行一致。
数据保持一致后，将开始采集，采集将沿y轴方向进行300秒（5分钟），每秒总共存储8192个样本以供进一步操作。对于剩下的31个实验条件，也将遵循相同的程序。
统计特征
特征提取是原始信号信号降维的一种特殊形式。通常需要分析的输入信号太大，很难处理这个巨大的数据。因此，将输入信号转换为一组特征被称为特征提取。涉及更多数量的变量是执行复杂数据分析的一个主要问题。
特征提取用于组合变量来减少这些问题。本研究采用了时域统计特征，如均值、中值、模态、均方根、标准差、方差、偏态、峰度、最大值和最小值等。
支持向量机（SVM）
SVM是一种利用n维超平面进行分类的通用学习机器，具有更好的分类效率。SVM由于使用了成熟的模式识别方法而得到了广泛的应用。本文用提出了两类方法的原理。
SVM在两组数据之间创建超平面。图5清楚地显示了两个类问题，其中x表示类“A-+”，o表示类“A-”。SVM尝试尽可能地放置两个边界平面，这样可以改变平面方向，最大限度地提高两个平面之间的边界，减少量化误差。
该超平面将被放置在两个边界平面之间。在边界平面附近出现的特征称为支持向量。在线性边界的输入空间中，不能正确地分离出两类。通过将特征转换为高维空间，可以创建一个平面，允许高维的线性分离。
结果
如表1所述，该试验已经进行了良好的齿轮和表面磨损齿轮，并考虑了所有其他参数，如载荷、速度等。获得的时域特征将被存储，并使用Mat实验室提取大量数据，通过提取均值、中位数、模态、均方根、峰度、偏斜度、最大值、最小值、方差和标准偏差。这些提取的数据分别包含了所有实验条件下的值。
提取的良好齿轮和故障齿轮的特征被组合为一个文件，表示其中的所有条件。然后通过对数据文件进行训练和测试，对该文件进行SVM分类分析。
利用混淆矩阵计算了SVM的分类效率，如表2所示。表2中的FG表示出现故障的齿轮（面部磨损），GG表示良好的齿轮。0 N-m和5 N-m是所考虑的两个加载参数。
Gear 1分类器的样本测试结果以表2中混淆矩阵的形式表示。以下是从混淆矩阵中解释的结果。
混淆矩阵中的对角线元素表示正确分类的实例的数量。第一行和第一列中的元素表示属于“FG50010”类的数据点的数量，即故障齿轮，并被归类为故障齿轮，但各有两个实例被错误分类为类FG75010和GG50015。
第二行中的第二个元素显示了属于“FG50015”类的数据点数，但已被正确地分类为“FG50015”类，即具有100%的效率。同样，所有8个数据集都可能存在一定的错误分类，并计算了其分类效率。对齿轮2、齿轮3和齿轮4重复相同的步骤。
所有4个齿轮的分类效率见表3。齿轮1由正确的分类组成实例为96.62%。齿轮2的分类效率低于其他齿轮。Gear4提供了100%的分类效率，没有错误分类。对于两类问题，SVM的分类效率非常好，可用于自动故障诊断。
结论
基于机器学习技术的汽车齿轮箱故障诊断是旋转机械状态监测领域的重要研究课题之一。对两种不同速度和负载条件下的良好和故障齿轮进行了分类效率，并引用了四种齿轮的分类效率。支持向量机在识别齿轮箱内的各种故障方面具有较好的分类能力，可用于自动故障诊断。
