【含噪声的行星齿轮箱故障诊断技术现状与分析的文献综述3400字】

含噪声的行星齿轮箱故障诊断技术现状与分析的文献综述针对噪声环境下的行星齿轮箱这类复杂旋转机械的故障诊断问题，国内外学者按照如REF_Ref70773103\h图1.3所示的旋转机械故障诊断的流程，即从信号获取、特征提取、故障识别REF_Ref67516122\r\h[6]这几个方面进行了研究。图1.SEQ图1.\*ARABIC3故障诊断流程(1)信号获取在信号获取这一环节中，其核心是采集到受噪声干扰下且对故障模式敏感的状态监测信号，该环节是之后能否获取到可靠的用于诊断的故障特征的先决条件。刘若晨等REF_Ref67521205\r\h[7]设计了基于磨损区静电感应区域的静电感应器，用于对车辆轨道齿轮和轴承的磨损以及噪声的在线监测。Jing等REF_Ref67500673\r\h[8]通过在行星齿轮箱上布置不同类型的传感器，获取了全面的状态监测信号，最大程度减少了噪声的干扰。Khazaee等REF_Ref70950617\r\h[9]采集多种传感器不同类型的信号，将声发射信号以及箱体振动信号进行特征融合送入分类器，提高了在噪声环境下行星齿轮箱故障诊断的准确率。Li等REF_Ref70950622\r\h[10]采用红外热成像法采集到了不受强噪声干扰的旋转机械红外图像信号。谷玉海REF_Ref70950626\r\h[11]采集受噪声干扰较小的油液监测信号，实现了对大型风机齿轮箱早期不明显故障的预判。Henriquez等REF_Ref67553893\r\h[12]对现有齿轮箱故障诊断的文献进行分析后指出，声发射信号具有受机械振动以及噪声干扰小的特点，适用于微弱故障信号的提取，然而，设备成本高以及误警率高也是无法回避的问题。基于振动信号监测的方法获取用于诊断的信号是在行星齿轮箱故障诊断领域应用最广泛的方法，虽然会受噪声干扰，但是通过选择合适的传感器以及对其的优化布局可以相对改善，与此同时还可以对设备健康状况实现实时监测。(2)特征提取在特征提取这一环节中，其核心是从噪声环境中采集的信号中提取出反映故障信息的有效特征，目前已成为了行星齿轮箱故障诊断的关键REF_Ref67741401\r\h[13]。国内外学者使用所获取的状态监测信号，在基于专家知识的人工提取和基于深度学习的自动提取开展了一定研究。在人工特征提取方面，采用的是基于信号处理的特征提取方法，这些方法大致可以分为基于时域的方法、基于频域的方法和基于时频域的方法REF_Ref67583756\r\h[14]。Ha等REF_Ref67592085\r\h[15]基于自相关的时间同步平均方法对振动信号进行阶次分析以减小噪声产生的影响，提取出了行星齿轮箱时域特征。周小龙等REF_Ref67572367\r\h[18]用总体包络均值经验模态分解（EnsembleEnvelopMeanEmpiricalModeDecomposition,EEMEMD）计算含噪的振动信号的本征模态函数(IntrinsicModeFunction，IMF)，而后基于归一化能量熵值的虚假模态函数对噪声干扰成分进行剔除，提高了转子系统故障特征提取的可靠性。Liu等REF_Ref70952046\r\h[19]使用EMD对采集到的振动信号进行分解去噪，通过采用短时相关匹配法，构造冲击时频字典匹配信号特征。刘秀丽等REF_Ref70952040\r\h[20]对行星齿轮箱振动信号进行变分模态分解（Variationalmodedecomposition,VMD），对分解出来的各分量进行小波分析处理与重构，有效降低了噪声的干扰，凸显各特征频率，从而提取到振动信号中的微弱信息。李肖等REF_Ref67592969\r\h[21]使用VMD将行星齿轮箱组合故障信号分解为一系列分量，在噪声环境下选取了对特定故障模式较为敏感的特征参量作为诊断的特征。可见，在噪声环境下的故障诊断通常需要对振动信号进行去噪和特征增强处理REF_Ref67594875\r\h[22]，这两个过程都需要较高的准入门槛，对于信号特征的改善非常有限，尤其在去噪的过程中，由于特征信号微弱，可能存在去除噪声的同时滤除有用的故障特征信息，从而影响诊断效果。现有的时域、频域、时频域的信号特征对研究对象、故障模式本身有着较强的针对性，对新工况、新研究对象的适应性较差，与此同时，这类基于信号处理的特征提取方法的建模难度会随着旋转机械复杂程度的提升而提升。整体而言，这类人工提取方法诊断效果的好坏与工程人员的专业知识程度紧密相关。以深度置信网络（DeepBeliefNetwork,DBN）、堆栈自动编码器（StackedAutoencoder,SAE）以及卷积神经网络（ConvolutionalNeuralNetwork）为代表的深度学习模型因其所具有的自动特征提取能力，现已广泛应用在了旋转机械故障诊断领域。在噪声环境下的基于深度学习的自动特征提取方法便是通过采集到的状态监测数据训练网络，从信号中提取出用于故障诊断不受噪声干扰的特征。Lu等REF_Ref70953784\r\h[23]结合压缩感知理论和DBN，提取出了不受噪声干扰的风电齿轮箱深层故障特征。时培明等REF_Ref67647477\r\h[24]先将行星齿轮箱振动信号进行FFT变换，而后利用堆栈降噪自动编码器（StackedDenoisingAutoencoder,SDAE）提取出了深层特征，减小了环境噪声对故障特征提取的影响。Jiang等REF_Ref67660931\r\h[25]利用深度循环网络（DeepRecurrentNeuralNetwork,DRNN）从轴承原始振动信号中自适应提取出了受噪声干扰小的故障特征。Zhang等REF_Ref70954285\r\h[26]将一维振动信号转换为二维图像，引入门控循环单元（GatedRecurrentUnit,GRU）提取代表性特征，在轴承的故障诊断上体现了较强的抗噪声性能。Pan等REF_Ref70954467\r\h[27]将传统CNN的卷积层变为分割层、预测层和更新层，从原始含噪声的齿轮箱振动信号中提取到了故障信息，得到了更多边界特征。Wang等REF_Ref70954965\r\h[28]提出一种一维自适应长序列卷积神经网络，通过两个改进的多尺度模块，从含噪声信号中提取了重要特征。Wang等REF_Ref70954969\r\h[29]提出了一种基于宽卷积和多尺度卷积的胶囊网络故障诊断方法，获得了低信噪比环境下的轴承故障特征。吴静然等REF_Ref67657343\r\h[30]采用多尺度粗粒层对轴承振动信号进行多尺度表示，利用全卷积神经网络进行特征提取，引入注意力机制计算不同尺度权重，加权求和获得可以适应于不同工况以及噪声环境下的深层次表征。Jin等REF_Ref70955442\r\h[31]采用随机抽样策略和以指数线性单元为激活函数的增强CNN的在噪声环境中提取出了轴承信号特征。相比人工特征提取方法，基于深度学习的特征提取方法建模相对快速容易，对专业知识的依赖小，且模型具有较强的泛化能力，在含噪声的故障样本诊断中，深度学习通过特征的层层提取获取受噪声干扰小的故障特征参量。(3)故障识别在故障识别这一环节，其核心是选取适当的机器学习方法和模型对输入的特征进行分类，以识别机械设备的健康状态。目前在这一方面常常采用k最近邻（k-NearestNeighbor,kNN）支持向量机（SupportVectorMachine,SVM）、极限学习机（ExtremeLearningMachine,ELM）、神经网络（NeuralNetwork,NN）等机器学习方法，通过这些方法对故障特征进行分类。Jha等REF_Ref67823898\r\h[32]使用人工神经网络（ArtificialNeuralNetwork,ANN）对采集到的振动信号的半方差、峭度、香农熵等特征进行分类，实现了在噪声环境下的轴承和齿轮的故障诊断。Lipinski等REF_Ref70956022\r\h[33]利用从行星齿轮箱实际振动信号频谱分析中提取的15维去噪特征向量建立起决策树，分类性能得以提升。Qiao等REF_Ref70956293\r\h[34]使用VMD提取去噪轴承故障特征，使用基于马氏距离的SVM实现故障分类。Wen等REF_Ref70956467\r\h[35]提出一种将图论与奇异值分解相结合的方法，用于轴承抗噪特征提取，kNN的引入提高了分类精度。王俊REF_Ref71117647\r\h[36]使用多目标优化的SDAE网络，通过集成多个分类器的诊断信息，提高了在噪声环境下的行星齿轮箱诊断准确率。Zhang等REF_Ref70956530\r\h[37]使用EMD对齿轮箱信号进行降噪，利用时域分析和小波分析获取特征状态，利用Adaboost算法和BP神经网络结合的方法实现了故障的准确分类。由上述分析可知，大多数分类算法并不具备抗噪声功能，但是通过选择合适的分类算法策略，可以提升在噪声环境下的分类质量。分析可知，当前的技术不能完美地应对噪声环境下的行星齿轮箱故障诊断问题。首先，多数情况下，所采集到的行星齿轮箱为振动加速度信号，信号本身是非平稳非线性的，噪声的引入增大了特征提取难度；其次，现有基于人工的特征提取方法存在一定不确定性REF_Ref67926059\r\h[39]，对于不同环境不同的旋转机械，特征提取选择方案往往是不同的，很难找到一种能够覆盖所有故障信息的特征向量，与此同时，人工提取方法对专业知识门槛要求较高。因此，在噪声环境下，基于深度学习的行星齿轮箱故障诊断方法值得被关注。参考文献雷亚国,何正嘉,林京,韩冬,孔德同.行星齿轮箱故障诊断技术的研究进展[J].机械工程学报,2011,47(19):59-67.年夫顺.关于故障预测与健康管理技术的几点认识[J].仪器仪表学报,2018,39(8):1-14.孙灿飞,王友仁.直升机行星传动轮系故障诊断研究进展[J]航空学报,2017,38(7):1-14NingX,SelesnickIW,DuvalL.Chromatogrambaselineestimationanddenoisingusingsparsity(BEADS).Chemometrics&IntelligentLaboratorySystems[J],2014,139(139):156-167.冯志鹏,褚福磊.行星齿轮箱齿轮分布式故障振动频谱特征[J].中国电机工程学报,2013,33(02):118-125+21.雷亚国,贾峰,孔德同等.大数据下机械智能故障诊断的机遇与挑战[J].机械工程学报,2018,54(5):1-11.刘若晨，左洪福，孙见忠，等.车辆齿轮箱静电监测[J].交通运输工程学报，2015，15(1)：50-57.JingL,WangT,ZhaoM,etal.Anadaptivemulti-sensordatafusionmethodbasedondeepconvolutionalneuralnetworksforfaultdiagnosisofplanetarygearbox[J].Sensors,2017,17(2):414.KhazaeeM,AhmadiH,OmidM.ClassifierfusionofvibrationandacousticsignalsforfaultdiagnosisandclassificationofplanetarygearsbasedonDempster-Shaferevidencetheory[J].ProcessMechanicalEngineering.2014,228(1):21-32.LiY,WangX,SiS,etal.Anewintelligentfaultdiagnosismethodofrotatingmachineryundervarying-speedconditionsusinginfraredthermography[J].Complexity,2019,2019.谷玉海.大型风电机组齿轮箱早期故障诊断技术与系统研究[D].机械科学研究总院,2016.HenriquezP,AlonsoJB,FerrerMA,etal.ReviewofAutomaticFaultDiagnosisSystemsUsingAudioandVibrationSignals[J].IEEETransactionsonSystemsManandCyberneticsSystems,2014,44(5):642-652.胥永刚,马海龙,付胜,等.机电设备早期故障微弱信号的非线性检测方法及工程应用[J].振