Page 215 - 《振动工程学报》2025年第9期

第 9 期 李 鑫，等：基于鲁棒代价敏感支持矩阵机的风电齿轮箱故障诊断方法 2145

步骤 2：采用 CWT 将一维振动信号转换成小波
时频图，并对其进行灰度化和降采样处理，以构建二 4 实 验 验 证
维矩阵数据集。
步骤 3：将二维矩阵数据集按一定比例划分为训 为评估所提模型的有效性及泛化性，采用 PHM
练集和测试集。 2009 开源故障数据及某风场实测故障数据进行实验
步骤 4：将训练集中的二维小波时频图直接输入 验证。同时，引入 SMM [13] 、NPLSSMM [14] 、IDSMM [15] 、
所提 RCSSMM 模型进行建模，其中先验权重分配策 RSSMM [17] 、MSCNN 、MSAE [11] 6 种故障诊断模型用
[9]
略用于提高模型对噪声及野值点的鲁棒性，HHO 算 于 对 比 分 析 。 为 保 证 对 比 结 果 的 准 确 性， SMM、
法用于自适应确定不同类别的惩罚因子，增强模型 IDSMM、NPLSSMM、RSSMM 及所提 RCSSMM 模型
]
5
对不平衡数据的处理能力。 的参数采用 HHO 算法确定，参数选择范围为 [ 2 ,2 。
−5
步骤 5：采用测试集对 RCSSMM 进行验证，以评 HHO 算 法 初 始 种 群 规 模 为 50， 最 大 迭 代 次 数 为
估模型的风电齿轮箱故障诊断性能。 100。对于深度学习模型 MSCNN 和 MSAE，模型结
通过上述步骤可有效诊断出风电齿轮箱各类故 构设置与其对应的参考文献一致。

障，为风电齿轮箱智能故障诊断提供新的理论和技
4.1 案例 1：PHM 2009 开源故障数据
术支撑。图 3 详细描述了所提 RCSSMM 模型用于风
电齿轮箱故障诊断的整体流程。 4.1.1 数据描述
根据文献 [23]，该数据集来源于如图 4 所示的风
信号采集
电齿轮箱故障模拟实验平台。本案例选择直齿轮箱
模式，共包含正常状态、齿轮断裂、输入轴失衡、轴
弯曲、轴承内圈缺陷、坏键及复合故障等 8 种齿轮
风电齿轮箱 采集系统 振动信号 箱健康状态，分别命名为 Spur 1~Spur 8，具体健康状
态如表 1 所示。在实验过程中，振动信号的采样频
小波时频图 HHO参数优化 率为 66.67 Hz，输入轴的转频为 40 Hz，并选择高负载
模式。采用滑动窗口取样，截取 5120 个振动点作为
样本长度，每种健康状态共设置 200 个样本，不同齿

状态1 状态m 哈里斯鹰 捕食策略 轮 箱 健 康 状 态 的 原 始 振 动 信 号 如图 5 所 示 。 通 过
CWT 将一维振动数据转化为小波时频图，各齿轮箱
RCSSMM模型 健康状态的小波时频图如图 6 所示。随后，将小波
训练样本及标签
时频图进行灰度化和降采样处理，使每个样本的尺
寸缩减到 64×64。

测试样本及标签 输入 Z 1 =16
先验权重分配策略 代价敏感损失函数
轴承1 轴承4
Z 3 =24
结果分析 输出
轴承2 轴承5
Z 2 =48
轴承3 Z 4 =40 轴承6

图 4 故障模拟实验平台及其齿轮箱传动简图

图 3 所提故障诊断方法的整体流程 Fig. 4 Fault simulation experiment platform and its gearbox
Fig. 3 Overall process of the proposed fault diagnosis method transmission diagram

表 1 齿轮箱不同故障模式
Tab. 1 Different fault modes of the gearbox

工况 齿轮1 齿轮2 齿轮3 轴承1 轴承2 轴承3 输入轴 输出轴
Spur 1 正常 正常 正常 正常 正常 正常 正常 正常
Spur 2 剥落 点蚀 正常 正常 正常 正常 正常 正常
Spur 3 正常 点蚀 正常 正常 正常 正常 正常 正常
Spur 4 正常 点蚀 断齿 滚动体故障 正常 正常 正常 正常
Spur 5 剥落 点蚀 断齿 内圈故障 滚动体故障 外圈故障 正常 正常
Spur 6 正常 正常 断齿 内圈故障 滚动体故障 外圈故障 不平衡 正常
Spur 7 正常 正常 正常 内圈故障 正常 正常 正常 键剪断
Spur 8 正常 正常 正常 正常 滚动体故障 外圈故障 不平衡 正常