Page 217 - 《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 2147

表 3 不同优化算法下 RCSSMM 模型的故障诊断精度 最优。此外，随着野值点个数的增加，所有模型的故
Tab. 3 Fault diagnosis accuracy of RCSSMM model with 障诊断精度都会不同程度地下降，而所提 RCSSMM
different optimization algorithms
模型的下降幅度更小。因此，实验结果表明，RCSSMM
优化算法 γ C + C − 故障诊断精度/% 模型对野值点的抗干扰能力更强。RCSSMM 模型的
ACO 7.82 10.45 8.97 98.78
鲁棒性主要源于其采用的先验权重分配策略。该策
FA 1.47 15.76 10.16 98.85
略可自适应地为噪声及野值点数据分配较小的权重
PSO 1.08 11.25 18.63 97.16
WOA 3.47 20.86 19.21 98.45 系数，最大程度地抑制噪声及野值点对 RCSSMM 建
HHO 5.95 13.18 12.79 99.10 模的影响，提高模型的鲁棒性。

为了探究所提模型的噪声鲁棒性，分别在原始 100
振动信号中添加信噪比（signal-to-noise ratio，SNR）为
90
−2~2 dB 的高斯白噪声：
S NR = 10lg(P s /P n ) （20） 80
式中， P n 为噪声功率； P s 为信号功率。 故障诊断精度 / % SMM
NPLSSMM
不同噪声程度下各模型的故障诊断结果如图 9 70 IDSMM
所示。可以看出，在−2~2 dB 噪声下，所提 RCSSMM 60 RSSMM
MSCNN
模型的故障诊断精度分别为 91.65%、93.14%、93.02%、 MSAE
RCSSMM
94.83% 和 95.48%， 在 每 种 噪 声 程 度 下 都 取 得 了 最 50
2 4 6 8 10
高 的 故 障 诊 断 精 度， 且 分 别 比 次 优 模 型 提 高 了 野值比 / %

4.66%（ MSCNN） 、 3.48%（ MSCNN） 、 3.99%（ MSAE） 、 图 10 不同野值比下各模型的故障诊断精度
5.63%（ MSAE） 和 4.01%（ RSSMM） 。 值 得 注 意 的 是 ， Fig. 10 Fault diagnosis accuracy of each model under different
仅 RCSSMM 模型在−2 dB 噪声下故障诊断精度超过 outlier ratios
了 90%，这说明所提方法在强噪声下仍具有优异的 为了评估所提模型对不平衡数据的处理能力，
故障诊断性能。 调整训练集中齿轮箱正常状态与故障状态的样本个
数，构建 4 个不平衡数据集用于实验分析，所设置的

RCSSMM
100 不平衡数据集如表 4 所示。在实际的服役过程中，
95 风电齿轮箱绝大多数时间都处于正常运行状态，因
SMM 100 MSAE
100 90 95 而能获得的故障状态样本要远少于正常状态样本。
95
85 90
90 85 基于上述考虑，在不平衡数据集构建过程中将风电
85 80 80
80 齿 轮 箱 正 常 状 态 作 为 多 数 类， 故 障 状 态 作 为 少 数
80
80 80 85 90 95 类。并且，根据文献 [24]，定义数据的不平衡率 k=正
85
95 90 80 100 MSCNN
NPLSSMM 100 85 常样本个数/每类故障样本个数。对于每个不平衡
85
90 −2 dB
90 −1 dB 数据集，测试样本个数固定为 400 个，其中每类齿轮
95
95 0 dB 箱健康状态包含 50 个样本。采用 GM 指标评估各模
100 1 dB
100 2 dB 型的故障诊断结果，具体诊断结果如表 所示。可
IDSMM RSSMM 5

以看出，所提 RCSSMM 模型在每个不平衡数据集下
图 9 不同噪声程度下各模型的故障诊断结果（单位：%）
都获得了最优的故障诊断结果。得益于 RCSSMM
Fig. 9 Fault diagnosis results of each model under different
noise levels（Unit：%） 模 型 所 采 用 的 代 价 敏 感 损 失 函 数， 在 不 平 衡 率 为

3（150/50）、5（150/30）、10（150/15）、15（150/10）时，其
为了评估所提模型对野值点数据的抗干扰能
G-mean 值分别比 SMM 模型高 3.43%、3.62%、4.75%、
力，随机从某一类齿轮箱健康状态中拾取部分训练
4.98%。
样本作为野值点，混入另一类训练样本中进行模型

表 4 不平衡数据集的详细信息
建模。图 10 为不同野值比（野值点个数/总样本个
Tab. 4 Details of imbalanced datasets
数）下各模型的故障诊断精度。可以看出，野值比
为 2%~10% 时 ， RCSSMM 的 故 障 诊 断 精 度 分 别 为 不平衡率k 正常样本个数/每类故障样本个数 测试样本个数
3 150/50 50×8
97.28%、96.72%、95.12%、94.08% 和 91.43%。仅当野 5 150/30 50×8
值比为 2% 时，IDSMM 的诊断性能优于所提模型，而 10 150/15 50×8
在野值比为 4%~10% 时，RCSSMM 的故障诊断性能 15 150/10 50×8