振动与冲击

作者：段礼祥，谢骏遥，王凯，王金江

单位：中国石油大学（北京）机械与储运工程学院 北京，102249

关键词：齿轮箱 迁移成分分析 高斯核函数 变工况 故障诊断

针对变工况下齿轮箱监测数据重用性低，受复杂工况影响大和已训练模型经常失效的问题，提出迁移成分分析方法用于设备故障诊断。迁移成分分析（Transfer Component Analysis, TCA）通过核函数将训练样本与测试样本映射到潜在空间，进而减小训练样本与测试样本的分布差异性。重点对比分析四种核函数对迁移成分分析算法性能的影响，并提出了可迁移度指标KL散度（Kullback-Leibler divergence），用来衡量训练样本与测试样本的分布差异度。通过仿真分析和实验验证，迁移成分分析方法相比传统机器学习算法明显地减小了训练样本与测试样本的分布差异，有效提高了齿轮箱变工况故障诊断的准确率和可靠性，结果表明高斯核函数下的迁移成分分析方法性能最优。<br>

来源：2017年第10期

《振动与冲击》期刊编辑部

查看振动与冲击杂志2017年第10期