Page 219 - 《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 2149

表 6 不同训练样本数下各模型的故障诊断精度（单位：%）
5 结 论
Tab. 6 Fault diagnosis accuracy of each model under different
number of training samples (Unit: %)

训练样本占比 提出了一种基于 的风电齿轮箱故障诊
模型 RCSSMM
10% 20% 40% 60% 70%
断方法，旨在解决现有故障诊断方法易受噪声、野
SMM 65.78 80.12 87.42 95.18 96.74
值点和不平衡数据影响的问题，主要结论及研究展
NPLSSMM 66.47 83.04 88.06 97.86 98.41
IDSMM 70.48 82.37 87.25 98.87 97.65 望如下：
RSSMM 71.36 84.96 90.16 97.26 98.41
（1）RCSSMM 采用先验权重分配策略，可自适应
MSCNN 40.58 74.91 92.42 97.38 99.01
地为噪声和野值点分配较小的权重系数，抑制了噪
MSAE 42.13 78.42 91.96 98.35 98.35
RCSSMM 78.65 86.75 94.13 99.21 99.15 声和野值点的影响，提高了模型的鲁棒性。
（2）通过为 RCSSMM 引入代价敏感损失函数，并
能力，对风电齿轮箱正常样本与故障样本设置不同
采用 HHO 算法优化惩罚因子取值，可使分类超平面
比例进行实验分析。如表 7 所示，本案例中共构建
向少数类一侧调整，提高了模型对不平衡数据的处
5 个不平衡数据集，每个数据集中训练样本和测试样 理能力。
本随机选取。各诊断模型在不平衡数据集下的故障
（3）在未来的研究工作中，将设计适用于变工况
诊断结果如图 15 所示。可知，在不平衡率为 3（300/100）、
的二维故障特征提取方法，并将其与 RCSSMM 模型
4（ 400/100） 、 6（ 300/50） 、 8（ 400/50） 、 16（ 400/25） 时 ，
相结合，进一步提高变工况下风电齿轮箱的故障诊
RCSSMM 模型的 GM 分别为 98.60%、97.71%、97.34%、
断性能。此外，还将进一步研究所提 RCSSMM 模型
95.62%、92.36%，明显高于其他模型，这表明所提模 的可解释性，以提高诊断结果的可信度，为风电齿轮
型对处理不平衡数据具有更优异的性能。随着不平 箱预测性维护提供高可靠性的决策支撑。
衡率的提高，各模型的故障诊断性能都会出现一定
程 度 的 下 降， 而 RCSSMM 的 故 障 性 能 下 降 幅 度 最 参考文献：
小， 这 主 要 是 因 为 RCSSMM 采 用 代 价 敏 感 损 失 函
数，能自适应地为少数类赋予更高的惩罚因子，使模 [1] ZHANG Y，LIU W Y，WANG X，et al. A novel hierarchi-
型更加聚焦于少数类样本，提高了模型对不平衡数 cal hyper-parameter search algorithm based on greedy strategy
据的分类性能。 for wind turbine fault diagnosis[J]. Expert Systems with Appli-
cations，2022，202：117473.

表 7 不平衡数据集的详细信息 [2] 韩特，刘超，沈长青，等. 深度嵌入度量学习的机械跨工
况故障识别方法 [J]. 振动工程学报，2023，36（2）：565-
Tab. 7 Details of imbalanced datasets
573.
不平衡率k 正常样本个数/故障样本个数 测试样本个数
HAN Te，LIU Chao，SHEN Changqing，et al. Deep embed-
3 300/100 100×2
ding metric learning for machinery fault identification across
4 400/100 100×2
6 300/50 100×2 different working conditions[J]. Journal of Vibration Engineer-
8 400/50 100×2 ing，2023，36（2）：565-573.
16 400/25 100×2 [3] 邵海东，肖一鸣，颜深. 仿真数据驱动的改进无监督域适

应轴承故障诊断 [J]. 机械工程学报，2023，59（3）：76-85.
100 SHAO Haidong， XIAO Yiming， YAN Shen. Simulation
data-driven enhanced unsupervised domain adaptation for
95 bearing fault diagnosis[J]. Journal of Mechanical Engineer-
ing，2023，59（3）：76-85.
GM / % 90 SMM [4] WANG Z Y， LI G S， YAO L G， et al. Intelligent fault
detection scheme for constant-speed wind turbines based on
NPLSSMM
IDSMM improved multiscale fuzzy entropy and adaptive chaotic
85 RSSMM Aquila optimization-based support vector machine[J]. ISA
MSCNN
MSAE Transactions，2023，138：582-602.
RCSSMM [5] KHAN P W，YEUN C Y，BYUN Y C. Fault detection of
80
3 4 6 8 16 wind turbines using SCADA data and genetic algorithm-based
不平衡率
ensemble learning[J]. Engineering Failure Analysis， 2023，
图 15 不平衡数据集下的故障诊断结果 148：107209.
Fig. 15 Fault diagnosis results under imbalanced datasets [6] 李鑫，杨宇，程健，等. 基于鲁棒不平衡凸包分类的锥齿