[发明专利]基于多分类相关向量机的行星齿轮箱太阳轮故障分类方法

说明书

技术领域

本发明属于行星齿轮箱故障诊断技术领域，具体涉及一种基于多分类相关向量机的行星齿轮箱太阳轮故障分类方法。

背景技术

行星齿轮箱作为机械传动系统的重要组成部分，具有重量轻、体积小、传动比大、承载能力强、传动效率高等诸多优点，因此已被广泛应用于风力发电、航空、船舶、冶金、石化、矿山、起重运输等行业中。不同于定轴齿轮箱，行星齿轮箱由太阳轮、行星轮及内齿圈组成，复杂的结构及恶劣的运行环境使得关键部件的严重磨损和疲劳裂纹等故障时有发生。一旦行星齿轮箱内部的某个或多个构件出现故障，将会引发连锁反应，轻则引发传动系统失效，重则导致机毁人亡严重事故。因此，展开对行星齿轮箱的故障诊断研究，保证其安全运行，具有重要的理论意义与应用价值。

由于行星齿轮箱中多个行星轮同时与太阳轮、内齿圈啮合，多对啮合引发的振动相互叠加，而且行星轮既绕自己的中心轴自转，又绕太阳轮的中心轴公转，啮合点随行星轮公转周期性变化，传递路径也发生周期性变化，使得行星齿轮箱的响应信号更加复杂，导致行星齿轮箱的故障诊断相对困难。针对行星齿轮箱的故障分类，目前已经形成了基于支持向量机(Support Vector Machine,SVM)、自适应神经模糊推理系统(Adaptive Neuro-Fuzzy Inference System,ANFIS）等分类方法。

支持向量机方法是建立在统计学习理论的VC维理论和结构风险最小原理基础上的，根据有限的样本信息在模型的复杂性和学习能力之间寻求最佳折衷，以求获得最好的推广能力，并将问题最终转化为求解凸二次规划问题。然而支持向量机在进行训练过程中，存在核函数需满足mercer定理、产生支持向量数目较多且无法体现输出成员的概率预测等问题。

而ANFIS是一个集成的模糊Sugeno模型，该模型使用神经网络训练来实现并优化模糊推理系统，它将输入映射到输入隶属度函数,再到输出隶属度函数，最后得到输出。该模型在使用SI^e、SLF^e等指标来进行行星齿轮箱太阳轮分类时，分类效果不好。

多分类相关向量机是(Multiclass Relevance Vector Machine，M-RVM)是Damoulasy等人于2008年提出的一种基于贝叶斯框架的统计学习算法。M-RVM采用分层贝叶斯模型结构，通过引入多项概率似然函数(Multinomial Probit Likelihood)，实现了多分类和输出成员概率预测，且分类效果良好。

M-RVM的分类原理是：

存在训练集，其中中有D维特征，t∈{1…C}分别表示类别的标签。对所有训练集，可以表述为训练集的核函数

模型通过辅助变量和权重参数得到标准噪音模型：ycn|wc,kn~Nycn(wcTkn,1).]]>

再引入多项概率联系函数：得到类别标签。