目录
1.数据获取
2.特征提取与选择
3.健康状态识别
1.数据获取
用的行星齿轮箱数据采集自图1中的多级齿轮传动系统实验台中，在实验过程中，分别模拟了8种行星齿轮箱的健康状态，包括正常、第一级太阳轮点蚀、第一级太阳轮齿根裂纹、第一级行星轮齿根裂纹、第一级行星轮剥落、第一级行星轮轴承裂纹、第二级太阳轮剥落与第二级太阳轮缺齿，如图3-6所示。在行星齿轮箱的壳体上安装振动传感器采集不同健康状态下轴承的振动信号，每种健康状态的振动信号均在电动机转速为2 100r/min、磁粉制动器的加载电流为0.5A的工况下采集，信号的采样频率设置为25.6kHz，采样时长为10s。
将采集的振动信号无重叠地分割为若干样本，每个样本的采样点为2 560个。如表1所示，获得8种行星齿轮箱健康状态的样本共800个，每种健康状态所对应的样本为100个。随机选取其中20%的样本训练基于SVM的智能诊断模型，剩余80%的样本测试诊断模型性能。
2.特征提取与选择
分别提取数据集中样本的11种常用的时域特征，如均值、标准差、方根幅值、均方根值、峰值、波形指标、峰值指标等，以及13种常用的频域特征，如频谱均值、频谱中心、频谱均方根、频谱标准差等，构建特征集合{z1，z2，…，z24}。
考虑到不同特征对行星齿轮箱健康状态变化的敏感程度不同，结合Fisher特征选择准则评估上述特征的敏感程度，并对特征进行排序，选出敏感程度较高的特征子集。Fisher特征选择准则为：待选特征在训练样本上的类内距离越小、类间距离越大，则该特征越敏感。具体步骤如下。
（1）计算训练样本在第i个特征zi上的类间散度：
式中，nc为第c类样本的个数；
为第c类样本在第i个特征上的均值；μi为所有样本在第i个特征上的均值。
（2）计算属于第c类的训练样本在第i个特征zi上的类内散度
式中，
为第c类样本中第j个样本在第i个特征zi上的取值。
（3）计算第i个特征zi的Fisher得分：
由式可知：VFisher（zi）取值越大，第i个特征zi的类间散度越大，类内散度越小，说明该特征对健康状态变化越敏感。利用Fisher特征选择准则，可计算提取的24种特征在训练数据集上的Fisher得分，如图所示。根据Fisher得分由高到低排序，选取前半数的特征构成敏感特征子集，输入基于SVM的智能诊断模型。
3.健康状态识别
基于软间隔约束的非线性SVM构建智能诊断模型。其中，软间隔约束惩罚因子的取值范围为C∈{1，10，102，…，109}，非线性SVM的核函数选择高斯核函数k（x，y）=exp（-||x-y||2γ），核宽度的取值范围为γ∈{1，10，102，…，109}。在不同参数组合下，利用训练样本的敏感特征子集对智能诊断模型进行训练后，可得模型在测试样本上的诊断精度结果，如表3所示。
由表可知，当高斯核宽度γ设置为102、惩罚因子C设置为{106，107，108，109}时，智能诊断模型对测试样本的诊断精度最高，达到97.81%。此外，软间隔约束惩罚因子与高斯核函数参数对智能诊断模型的诊断精度产生较大影响：随着软间隔约束惩罚因子的增大，智能诊断模型的分类面逐渐复杂，在一定程度上能够提高模型的诊断精度；不同的高斯核宽度代表了不同的特征映射空间，在核宽度取值为102的特征映射空间，不同健康状态的样本区分性最强，使智能诊断模型的诊断精度明显提高，但随着高斯核宽度持续增大，如取值为{107，108，109}时，样本在特征空间内的区分性变弱，智能诊断模型的诊断精度降低。
