基于邻域属性重要性的齿轮箱故障特征高效优选与诊断

本文主要探讨了"基于邻域属性重要度的齿轮箱故障特征优选方法"这一主题，针对在齿轮箱故障诊断中的特征选择问题提出了一种创新策略。研究者古莹奎、孔军廷和朱繁泷针对齿轮箱中不同裂纹齿轮的故障特性，关注于如何有效减少特征维数，提升诊断效率。他们选取了包括时域、频域和希尔伯特变换技术在内的36个特征，这些特征能够全面反映齿轮箱的故障状态。 他们采用了基于邻域模型的前向贪心数值属性约简算法，通过这种方法，着重考虑了每个特征在邻域决策系统中的重要性。这个算法筛选出属性重要度较高的9个特征，形成了一个优化的特征子集，显著地压缩了原始数据，达到了75%的数据压缩率。这样做的目的是为了简化数据处理，提高计算效率。 接下来，他们将这9个特征输入到支持向量机（SVM）分类器中，进行了分类识别。同时，为了进一步验证方法的有效性，他们还使用了BP神经网络分类器进行结果的对比分析。结果显示，这种基于邻域属性重要度的方法在保持高精度的同时，成功地降低了特征维数，从而使得齿轮箱的运行状态可以更高效地被表征，诊断过程的精确度和速度都有所提升。 这项研究的关键在于它结合了机器学习算法，特别是非线性分类器的支持向量机和经典的神经网络BP，以优化齿轮箱故障特征的选择，并通过实际应用验证了其在实际故障诊断中的实用价值。此外，研究还得到了国家自然科学基金和江西省青年科学家培养计划等项目的资金支持，显示出其在学术界和工业界都具有一定的影响力。 这篇论文不仅提供了一种新颖的故障特征选择方法，而且展示了在实际工业环境下应用该方法的实际效果，对于提高齿轮箱故障诊断的准确性和效率具有重要的实践指导意义。