基于离散小波变换特征和K星算法的内燃机变速箱齿轮故障分类

工程科学与技术，国际期刊30（2022）101048完整文章基于离散小波变换特征和K星算法的内燃机变速箱齿轮故障分类K.N. Ravikumara，C.K.Madhusudanab，Hemantha Kumara，K.V.冈加达兰aa印度Mangelu 575025，Surathkal，卡纳塔克邦国家技术学院机械工程系b印度卡纳塔克邦Mandya PES工程学院机械工程系阿提奇莱因福奥文章历史记录：2021年1月15日收到2021年6月15日修订2021年8月16日接受2021年8月27日网上发售保留字：内燃机齿轮箱故障诊断离散小波特征K星算法A B S T R A C T基于振动的故障诊断是齿轮箱机械状态监测中应用最广泛的技术之一。齿轮箱在恶劣的工作条件下会发生轮齿失效。为了开发有效的机械系统故障诊断技术，机器学习方法是非常必要的，并在状态监测领域发挥着至关重要的作用。本文介绍了在实际运行条件下，基于振动的内燃机变速箱故障诊断方法。涡流测功机用于在发动机的输出轴上施加外部负载。分析中考虑了主动齿轮的健康状况和渐进性齿缺陷状况。测量了发动机变速箱在各种轮齿状态下的振动信号。从振动信号中提取离散小波变换特征，利用决策树算法选择对分类贡献较大的特征。本文采用了基于Lazy的分类器，即k-最近邻算法、K-星形算法和局部加权学习算法进行分类。使用分类准确率对这些分类器进行了比较研究。K-star算法的最大分类精度达到97.5%。实验结果表明，K-star算法和离散小波变换技术可用于内燃机变速箱齿轮故障的振动信号诊断。©2021 Karabuk University. Elsevier B.V.的出版服务。这是CCBY许可证（http://creativecommons.org/licenses/by/4.0/）。1. 介绍内燃机是汽车、飞机、火车、船舶等的重要能源[1]。变速箱是用来将动力从车辆的驱动端传递到非驱动端的。齿轮箱由主轴和副轴上的不同数量的齿轮组成，端部有轴承，用于支撑和承载不同容量的负载。齿轮箱故障如轮齿缺陷、点蚀、轴承缺陷等，导致噪声和振动水平的增加，这会对内燃机部件造成严重损坏，并且还会影响变速箱的平稳运行。为了避免发动机相关部件的灾难性故障和损坏，并实现发动机的最高性能和平稳运行，非常有必要对变速箱进行监控[2]。齿轮箱的状态监测可以使用软计算技术或机器学习技术来实现。机器元件故障可以使用多种方法来识别，例如振动分析[3]、声音*通讯作者。电子邮件地址：hemantha@nitk.edu.in（H. Kumar）。由Karabuk大学负责进行同行审查分析[4]、油分析[5]、温度[6]、声发射[7]等。在所有方法中，基于振动的调查是用于识别旋转部件故障的最广泛使用的方法[8]。 为了分析振动信号，采用了时域分析、频谱分析、统计分析等多种信号处理方法。被使用。 频谱分析提供了电机不同工况下幅值变化的频率分量信息。但在复杂机械中，识别缺陷是一项具有挑战性的任务，需要花费更多的时间来分析单个频率分量。为了避免不必要的故障和机器停机时间，必须采用基于状态的监测，该监测定期提供信息，并且基于所获得的信息，可以计划定期的维护为了找出故障的原因，需要使用先进的技术对机器/机器元件进行连续监测。火花点火式内燃机的故障诊断是近十年来内燃机研究的热点之一。大多数研究人员使用燃烧参数来分析发动机部件中的缺陷。近年来，基于振动的故障诊断技术吸引了众多的研究者对发动机的缸套、活塞擦伤等故障进行https://doi.org/10.1016/j.jestch.2021.08.0052215-0986/©2021 Karabuk University.出版社：Elsevier B.V.这是CC BY许可下的开放获取文章（http://creativecommons.org/licenses/by/4.0/）。可在ScienceDirect上获得目录列表工程科学与技术国际期刊杂志主页：www.elsevier.com/locate/jestchK.N. Ravikumar，C.K.Madhusudana，H.Kumar等人工程科学与技术，国际期刊30（2022）1010482和活塞刮擦[9在常规的状态监测方法中，使用快速傅立叶变换（FFT）技术根据采集信号的特征频率（CF）识别缺陷成分[13]。但在内燃机变速箱这样的复杂系统中，要确定各部件的CF是非常困难即使确定了CF，从齿轮箱获得的信号也是高度非平稳的，并且单独的FFT可能不适合于识别齿轮箱的状况[14]。此外，传统的故障诊断方法不能有效地处理大量的数据。互联网时代的一个重要发展是关注数据驱动的故障诊断方法，与基于物理的模型相比，该方法在准确性方面表现更好[15]。一些文献集中于用各种采集系统和诊断方法对内燃机进行故障诊断。Ettefagh等人[16]发现了使用振动信号的SI发动机中的爆震检测。他们提出了一种用自回归滑动平均（ARMA）参数技术建立气缸体模型的方法. Wu和Liu[17]开发了一个利用声发射信号诊断内燃机故障的专家系统。他们采用小波包和人工神经网络（ANN）的发动机故障分类。Klinchaeam和Nivesrangsan[18]使用振动信号和能量分析技术研究了汽油发动机中进/排气门故障条件等气门间隙故障。Moosavian等人[19]尝试基于功率谱密度技术，使用两种ANN和k-近邻（kNN）技术诊断内燃机主轴颈轴承故障。Abhishek等人[20]通过利用振动信号和决策树技术检查内燃机的失火。他们从信号中提取统计特征，并使用不同的基于树的分类器进行了比较研究。Moosavian等人[10]利用振动信号研究了活塞胶合故障及其对发动机性能的影响，结果表明振动分析在识别内燃机胶合故障方面是有效的。Jiang等人[11]研究了利用振动信号检测内燃机气门间隙的故障。Ramteke等人[9]基于振动和声信号的统计特征研究了柴油发动机中的气缸套故障。近年来，由于维护成本的增加，工厂的计划外停机导致整个生产线和装配单元在行业中停止，机械的状态监测受到关注。这促使工业人士和学术研究人员开发系统，使用该领域的机器学习技术和算法内燃机和变速箱是两轮车的重要组成部分，但目前的研究仅限于对内燃机活塞衬套、气缸内径、进气门、失火异常等部件的故障诊断，而对变速箱的故障诊断大多是利用电机功率进行的在目前的研究中，实际的内燃机，即，考虑燃料基发动机的燃烧来运行齿轮箱，并且还使用涡流测力计来在齿轮箱上施加外部负载，这可以作为辅助设施来解决，以便获得IC发动机齿轮箱的状态监测的现实场景。在文献中，不同的信号处理技术，如时域，频谱和连续小波变换分析可以看到在该地区的内燃机状态监测。很少有研究人员使用机器学习算法对机器部件中的故障进行然而，它的应用程序没有得到妥善解决，在以前的研究齿轮箱监测。因此，存在开发使用机器学习技术识别内燃机变速箱中的多个故障的最佳方法的范围。本文利用振动信号和机器学习技术对齿轮进行故障诊断在内燃机实际运行工况下对内燃机变速箱进行了测量，并利用涡流测功机对变速箱施加载荷，这是一项新颖的研究工作。本研究的主要目的是利用机器学习技术，利用振动信号诊断四冲程内燃机变速箱齿轮故障。在健康和不同故障条件下从齿轮箱壳体测量振动信号。测量在四个不同的故障水平和两个不同的应用转矩。拟议工作的主要贡献可归纳如下：对内燃机变速箱不同工况下的振动信号进行离散小波变换特征提取。决策树算法用于选择分类的重要特征。基于懒惰的分类器，即K-星算法，k-最近邻算法和局部加权学习算法用于分类齿轮箱的条件。基于分类精度进行了比较研究论文的其余部分组织如下：第2节介绍了研究工作中涉及的方法，第3节介绍了实验测试装置和程序。机器学习技术将在第4节中简要讨论。分类器的评估参数在第5节中解释。第六节讨论了所得到的结果和分类器的性能，最后在第七节总结了研究工作。2. 方法图1显示了基于机器学习方法的内燃机变速箱状态监测方法。对采集到的信号进行离散小波变换特征提取。将提取的小波特征向量输入机器学习算法，对内燃机变速箱的不同状态进行分类。机器学习技术的详细解释可以在第4节中看到。3. 实验研究在四冲程内燃机变速箱上进行了电涡流测功机试验。内燃机变速箱故障诊断的原理图如图所示。 二、内燃机变速箱的物理试验装置和数据采集系统如图所示。3.第三章。该装置由基础框架支撑表1说明了考虑用于测试的发动机的规格在第二驱动齿轮上进行了测试。齿轮箱的不同状况，例如（a）健康，（b）25%齿缺陷，(c)50%牙齿缺损，（d）75%牙齿缺损和（e）100%牙齿缺损如图所示。 四、图5示出了测试齿轮在内燃机变速箱中的位置。最初，实验是用健康的齿轮进行的，随后，它被不同的有缺陷的齿轮所取代。采用三轴加速度传感器（IEPE型，YMC公司制造），安装在齿轮箱壳体上，采集振动信号。使用数据采集系统DAQ-9234（制造商：NationalInstruments）以25.6kHz的采样率将信号从模拟转换为数字。利用LabVIEW软件对信号进行采集和处理，并存储在PC系统中。如表2所示，在三种不同的加载条件下进行实验。发动机大修完成，齿轮箱零件进行了检查，以避免任何误解●●●K.N. Ravikumar，C.K.Madhusudana，H.Kumar等人工程科学与技术，国际期刊30（2022）1010483Fig. 1. 内燃机变速箱故障诊断方法研究。从其他受损部件获取的信号。确认发动机变速箱的健康状况后。在获取信号之前，发动机保持运行状态几分钟以达到稳定的速度。在齿轮箱的健康和断齿状态下进行了试验.共记录了600个样本，其中40个样本用于三种不同负载条件（无负载，T1 = 9.6 Nm和T2 = 13.3Nm）下的齿轮箱的每种条件。在输入轴旋转的垂直方向上的振动信号的时间序列图被考虑用于分析。图6显示了在各种载荷条件下，断齿缺陷（100%缺陷齿）的加速度的微小变化。但是，很难为所有采集的时间序列图识别齿轮箱条件。时域和频域分析是信号处理的重要手段.然而，这些不适用于非平稳信号[16]。因此，机器学习技术在发动机变速箱故障诊断中具有广阔的应用前景。4. 机器学习技术机器学习是一种用于研究算法性能的技术，它使用自己的经验而不是显式编程的指令。这些算法基于被称为训练数据的输入数据构建模型，并且该训练模型将用于未来的预测。 故障分类的机器学习分为特征提取、显著特征选择和基于特征选择的分类三个步骤。4.1. 特征提取从所获取的信号中，可以根据一组不同的特征来提取关于类别的信息。不同的特征，如统计特征，经验模态分解有限元-图二.诊断内燃机变速箱故障的实验测试装置示意图。K.N. Ravikumar，C.K.Madhusudana，H.Kumar等人工程科学与技术，国际期刊30（2022）1010484图三.带有传感器支架的实验测试装置。表1四冲程内燃机技术参数。发动机规格值四冲程，DTS-I型，自然风冷5500 rpm时扭矩为8000 rpm时功率为排量124.6 cc从动齿轮数5个可以从所获取的信号中提取纹理、DWT特征等。本文采用离散小波变换（DWT）技术与统计方法和经验模态分解方法相比，具有更好的效果。因此，在分析中考虑并讨论了DWT技术。4.1.1.离散小波变换技术小波变换考虑了信号在不同时间尺度上的变化，同时利用小尺度小波基函数对不同小波系数进行处理，从而更好地表征信号。这种小小波基函数是具有有限能量特征的短波。在工程和数学领域的许多应用，如信号去噪，压缩，图像处理，特征提取技术，见图4。 齿轮箱中使用的齿轮齿条件;（a）健康，（b）25%缺陷，（c）50%缺陷，（d）75%缺陷，（e）100%缺陷。K.N. Ravikumar，C.K.Madhusudana，H.Kumar等人工程科学与技术，国际期刊30（2022）1010485p表2图五. 发动机变速箱中试验齿轮的位置。1Z.t-k 2 j！内燃机的负荷条件。步骤发动机状态加载持续时间1启动/怠速NA 5 min2均匀曲柄转速空载（0），扭矩（T1）= 9.6 Nm，<30分钟扭矩（T2）= 13.3 Nmdwtj;k2jxtwω2jdt使用以下表达式计算小波系数/tp2Xhk/2t-k23空闲NA 30 s4停止NA结束在提取隐藏信息时，小波变换被广泛使用。小波变换是一种基于共轭二次滤波器的快速算法。在本研究中使用Haar小波函数。在数学上，DWT表示在以下等式[21]中：信号x（t）的DWT表示为：Kwttaj;k¼Xh2k-maj-1;m4M图六、100%缺陷条件的时域图，（a）无负载，（b）T1 = 9.6 Nm，（c）T2 = 13.3 Nm。K1ÞK.N. Ravikumar，C.K.Madhusudana，H.Kumar等人工程科学与技术，国际期刊30（2022）1010486我ðÞ我i;jð Þ ð ÞXi12nGdj;k¼Xg2k-m aj-1;m5M这里h（k）是高通滤波器，g（k）是低通滤波器。根据小波函数w（t）和尺度函数选择滤波器/（t）。低频分量aj;k是从低频滤波器导出的近似系数，高频分量dj;k是从高频滤波器导出的细节系数图 7显示，小波分解树。DWT特征及其特征向量的详细信息可以在研究中找到[22]。v载重吨;v载重吨;···v载重吨T6vdwt是与不同分辨率相关联的元素，并且可以如下计算;叶子节点位于决策树的末端，提供了类的标签从节点形成的每个分支都给出了创建通过信息增益和熵的概念，找到了节点中分类所考虑的最重要的参数。4.2.1. “信息增益“和”熵减少““信息增益”是通过分配属性中给定的样本而预期的熵减少。“熵”是一组例子中存在的杂质的量。它将通过增加信息来减少不确定性。属性“A”对一组实例“S”的信息增益S;A1X我i;j增益ΔS;熵ΔSΔ-XjSvj熵v载重吨 四分之一第1页W2;i¼1;2;···：8mm7 mmv2值AjSj在等式中其中n1 = 27，n2= 26，. ..........n8 = 20，v载重吨 是第i个DWT特征向量，是子带中的样本数，w2是第j个详细系数的子带。Viis提供了在各个级别上的分解信号的均方值。特征A和值A是“A”属性的所有可能值的排列方程的第一部分下一部分连续描绘的预测熵是即时的-每个子集的熵值这些提取的不同类别的特征向量被认为是v测试S /S 和S有一个位置是一个以这种方式作为决策树的输入，用于选择重要特征。jvj j jv以下部分描述决策树算法的详细信息。4.2. 决策树技术特征选择或降维步骤选择为分类提供重要数据的最有贡献的特征决策树算法用于特征的选择。机械元件在信号中具有可通过模式识别技术识别的单独振动特征。决策树是一种有监督的ML模型，用于模式学习和分类。决策树具有树状结构，由C4.5算法生成。典型的决策树由根、分支、节点和叶子组成。在决策树中，顶部节点被称为根节点，它是提供大部分信息的最佳节点。以下节点称为子节点，并根据其性能按降序排列。在决策树中，只有对分类有贡献的特征才会出现，因此它可以被选择用于分类目的。形成决策树所涉及的过程如下：见图7。 小波分解树熵的正常减小是由特征“A”的显著估计引起的C熵值S_（？）-Pilog2Pi_（？）i-1其中'c'是类的数量，'Pi'是'S'与类'i'有位置的范围。决策树的更多细节可以在[23]的研究中找到。4.3. 分类分类器是一种用于为数据点分配类别标签的算法分类器不仅仅是将未标记的数据分类为离散类。分类器具有动态的规则，可以处理流行值和未知值。大多数分类器使用概率估计来操纵数据分类。每个分类器都用10折交叉验证法进行了评估它是一种广泛用于实现高泛化精度的方法在本研究中，惰性分类器，如k-最近邻（kNN）算法，K-star算法和局部加权学习（LWL）算法用于分类。4.3.1. k近邻算法kNN是最简单的监督分类算法之一，并将所有实例存储在与训练数据点对应的n维空间中[24]。kNN用于分类和回归问题。在两个实例中，数据由特征空间中的k个最近的训练示例组成。kNN也被称为懒惰算法，因为它只试图记住过程，而不喜欢自己学习。从kNN获得的输出给出了它是否可以用于分类或回归的信息。它区分被分成多个组的数据点，以便可以对新的样本点进行分类。基于相似性度量，kNN对新点进行分类。通过使用欧几里德距离，它计算从查询点到每个当前点的距离。kNN的详细信息可以在[25]的研究中找到。●●●niK.N. Ravikumar，C.K.Madhusudana，H.Kumar等人工程科学与技术，国际期刊30（2022）1010487X.Σ≤ ≤ð ÞXX4.3.2. K星算法K star是一个基于实例的分类器，以熵作为距离度量[26]。它在处理实值属性和符号属性时是一致的。将所有可能路径的变换求和作为距离度量，形成了统一的分类方法。基于实例的方法通过将实例与预先分类的实例进行比较来对实例进行分类。假设待分类的类似实例具有类似分类。特定于域的距离函数提供实例之间的定量相似性，以产生最终分类，然后实例然后被转移到分类数据库。考虑一个实例集合I，使得对集合I进行变换得到T。T中的每个实例都相互映射。属于T的特殊成员r将实例映射到它们自身。设P是以r结尾的前缀码的集合，以形成T*。T* 的成员定义了I上的变换t at ntn-1···：t1a···其中t<$t1;···tn 10在T*上 定义概率函数p，其满足以下性质：0p111pðt ÞXpu pt 12u第1113页因此，我们认为，p t¼114t2P概率函数P*被定义在例如实例a到b之间对于界限之间的所有路径：因为它转移了训练数据的控制权，直到查询点请求响应。这使得LWL成为一种非常可靠的测试函数的方法，当新的训练点很容易添加时。LWL的更多细节可以在研究中找到[29]。5. 用于分类的分类器输出由以下性能参数评估。没有一个分类器适合机器学习中的所有问题。5.1. 分类精度分类器的准确性被定义为总预测除以实例总数的百分比。在数学上，它可以表示为Ai¼T=N ω100 18其中Ai是分类准确度，T是正确预测的样本，N是样本的总数。5.2. 详细的类准确度真阳性率或TP率、假阳性率或FP率、进动率、召回率、F-测量和ROC是用于详细测量分类器输出的参数表3给出了用于评估分类器性能的重要参数的表达式在表3中，[30，31]给出了这些参数的更详细研究。6. 结果和讨论Pωbjat2P：t abpt15在这项实验研究中，40个样本的振动信号，K* 函数定义为Kωbja π/2-log2Pωbja π/16 π这里，K* 是通过对P* 应用对数来获得的复杂度单位K* 是非零和非对称函数。通过将所有属于“C”的实例的概率相加来计算实例“a”属于类别"C"的概率PωCjaPωb ja17B2C计算每个类别的实例分类概率。相对概率给出了用“a”表示的实例空间的类别分布的估计选择具有最高概率的类别作为新实例的分类，用于分类或通过获得用于分类的归一化概率分布[27，28]。6.1.1. 局部加权学习算法获得齿轮箱在空载、T1和T2条件下的每个条件。提取所有样本的DWT特征。通过决策树算法选择显著特征。 在这项研究中，由怀卡托大学开发的名为WEKA的软件用于分类。使用表6中给出的kNN算法、K-star算法和LWL算法进行特征分类精度的比较研究。6.2. 特征提取从记录的信号中提取DWT特征，并将其用作决策树的输入，以从导出的特征向量中选择更多的贡献特征。八个DWT要素（v1、v2、v38）对于每个类都从所获得的600个样本，其中每个类别显示表3评价参数。LWL方法是非参数的，并且局部功能使得现有的预测仅使用测量参数定义式信息. LWL背后的基本思想是，为整个函数向量建立全局模型，为每个局部TP率/召回测试模型在正确预测阳性组TP=TPFN点附近的模型依赖于查询点的邻近因此，每个数据点成为传达预测信息点的效果的加权因子。一般来说，信息的焦点在接近FP率测试错误列出精确度根据总体阳性预测值计算的正确分类阳性病例的比例FP=FPFNTP=TPFP当前查询点的邻域比远离信息的点获得更高的权重。所以，LWL被命名为F-measure它是精确度和召回率的调和平均2XPrecisionXRecall精确度和召回率ROC曲线TPR与FPR的K.N. Ravikumar，C.K.Madhusudana，H.Kumar等人工程科学与技术，国际期刊30（2022）1010488在表4中。特征选择和分类所涉及的步骤将在后续章节中描述。6.3. 使用决策树技术选择重要特征决策树是J48算法的结果，如图所示。8.第八条。在决策树中，特征表示为圆形，称为节点，而类表示为矩形，称为叶子。通过将v2视为根节点来形成决策树，与其他特征相比，v2给出了齿轮箱状况的最大信息。在决策树中，可以观察到，如果v2小于0.94且v3小于3.14，则将其分类为T1 + A。如果v3大于3.14且v8小于32.8，则归类为T2 + A。类似地，如果v3大于3.14并且v8大于3.14，32.8在决策树和表（4，7，8）中，大写字母A、B、C、D和E分别表示健康、25%缺陷、50%缺陷、75%缺陷和100%缺陷状态。在8个DWT特征（v1-v8）中，除v6和v7外，所有特征都被选择用于对齿轮箱条件进行分类。这些选择的特征被馈送到分类器，并且进行变速箱的分类。6.4. 特征分类在下面的小节中，从分类器，如，k-最近邻（kNN）算法，K-星算法和局部加权学习（LWL）算法获得的结果将被讨论，也将突出这些分类器的比较研究。6.4.1. k近邻算法在分类器（kNN = 1）中，默认设置了kNN中使用的邻居数量NN搜索算法和距离加权是不同的，以检查不同条件下的分类器的鲁棒性。它有三种方法，即距离(i) 无距离加权，（ii）按1/距离加权，以及（iii）按1-距离加权。kNN有四种类型的搜索方法，（i）球树，(ii) 线性NN搜索，（iii）KD树和（iv）覆盖树。它与所有的方法表现相当，达到约96.83%的分类准确率。在600个样本中，正确分类581个（96.83%），错误分类19个（3.16%）。表6显示了从kNN算法获得的混淆矩阵表4从振动信号中提取离散小波变换特征向量类V1V2V3V4V5V6V7V80 + A0.1070.7163.468.724.3211.643.148.7T1 + A0.008530.0572.615.92.728.4737.640.8T2 + A0.1270.8584.439.663.932062.732.80 + B0.3911.402.6844.8614.548.464.5T1 + B0.3541.352.253.643.7510.630.768.2T2 + B0.4791.752.8233.7212.146.560.40 + C0.2631.433.786.475.3323.585.653T1 + C0.2961.443.885.584.0914.65749.5T2 + C0.4141.994.144.714.4718.569.149.90 + D0.5081.632.805.345.0920.984.563.2T1 + D1.484.535.376.265.2820.682.258.5T2 + D2.286.646.486.635.519.476.249.90 + E0.2731.534.979.065.131655.455.1T1 + E0.6883.317.337.805.2914.450.545.6T2 + E0.7023.346.366.533.649.3631.648.2见图8。DWT特征的决策树。K.N. Ravikumar，C.K.Madhusudana，H.Kumar等人工程科学与技术，国际期刊30（2022）1010489-表5K星性能与不同的全球融合。全局弯曲参数分类准确度（%）1961097.332097.530974096.55095.8360957093.838092.339091.510070.56.4.2. 局部加权学习算法为了确定LWL分类器中加权函数的宽度，1被给定为分类器的默认值。LWL默认选择基础分类器作为随机森林。设置后所有的参数，建立模型的LWL和分类进行。与kNN相似，它有四种搜索方法，即球树，线性NN搜索，KD树和覆盖树。所有方法的LWL的准确性是恒定的（95.66%），这意味着，在600个样本中，574个被正确分类，而26个被错误分类（4.33%）样本。表7显示了从kNN算法获得的混淆矩阵。6.4.3. K星算法对于不同的整体弯曲值获得的分类精度如表5所示。在确定所有参数后，用K星建立模型，用平均柱熵曲线对20个全局弯曲参数进行分类，分类准确率达到97.5%。这说明在600个样本中，585个样本是完全分类的（97.5%），15个样本是不完全分类的（2.5%）。6.4.4. 量词比较研究表9列出了不同分类器与提取的DWT特征向量的性能比较。可以观察到，所有分类器在识别齿轮箱状况时实现有希望的分类准确性方面表现良好但K星分类器的性能优于kNN和LWL分类器。 所有分类器的性能如图所示。 结果表明，K星算法的误分类率最低，为2.5%，而LWL算法的误分类率最高，为4.33%。从表6所示的k-NN算法的混淆矩阵获得96.83%的分类准确度。这示出了正确预测的样本的总数为581，并且不正确预测的样本为19，如表6所示。在混淆矩阵中，对角元素数表示完全分类的实例，非对角元素数表示不完全分类的实例。表6k-NN算法的结果一BCDeFGH我JKLMnO类4000000000000000a = 0 + A0400000000000000b = T1 + A0040000000000000c = T2 + A0004000000000000d = 0 + B0000355000000000e = T1 + B0000436000000000f = T2 + B0000004000000000g = 0 + C0000000391000000h = T1 + C0000000040000000i = T2 + C0000000004000000j = 0 + D0000000000391000k = T1 + D0000000000040000l = T2 + D0000000000004000m = 0 + E0000000000000373n = T1 + E0000000000000535o = T2 + E表7LWL算法的结果一BCDeFGH我JKLMnO类3901000000000000a = 0 + A0400000000000000b = T1 + A0040000000000000c = T2 + A0003810000010000d = 0 + B0000355000000000e = T1 + B0001633000000000f = T2 + B0000004000000000g = 0 + C0000000382000000h = T1 + C0000000139000000i = T2 + C0000000004000000j = 0 + D0000000000391000k = T1 + D0000000000238000l = T2 + D0000000000004000m = 0 + E0000000000000373n = T1 + E0000000000000238o = T2 + EK.N. Ravikumar，C.K.Madhusudana，H.Kumar等人工程科学与技术，国际期刊30（2022）10104810见图9。分类器性能表7显示了LWL算法的混淆矩阵，并给出了95.66%的分类准确率。这示出了正确预测的样本的总数是574，并且不正确预测的样本是26，如表7所示。具有DWT特征的K-star分类器提供了最高的分类精度，具有DWT特征的LWL具有最低的分类精度。关于K-star算法的分类的更多细节如下所示。表8以混淆矩阵的形式显示了K星算法的结果。在第一行中，所有40个具有健康状态的空载样品都被正确分类。类似地，在第二行和第三行中，40个样品分别被正确地分类为T1负载条件下的健康样品和T2负载条件下的健康样品。而在第五行中，31个样本被正确分类为T1负载，缺陷率为25%，9个样本被错误分类为T2负载，缺陷率为25%。在混淆矩阵的类别“m”、“n”和“o”中的所有三个负载都存在100%缺陷的情况下，所有样本都被正确分类，这表明分类器在识别齿轮箱的状况方面表现良好。K-star算法得到的齿轮箱工况分类精度详见表10。分类器性能通过TP率、精确度、FP率、召回率、ROC面积和F度量来衡量。为了获得更好的分类性能，除了FP率之外，所有参数都应该是1或接近1，而FP率应该是零或接近零。在表10中，可以注意到FP速率列显示为零，并且所有其他参数显示为1或接近1。如图10所示，从K星算法获得的具有健康和故障状况的齿轮箱的错误分类实例与正确分类实例。K星错误分类的实例总数为15个（正方形符号），可以在图中清楚地观察到。 10个。见图10。通过K-star算法对错误分类的实例与正确分类的实例进行比较。表8K-star算法的结果一BCDeFGH我JKLMnO类4000000000000000a = 0 + A0400000000000000b = T1 + A0040000000000000c = T2 + A0004000000000000d = 0 + B0000319000000000e = T1 + B0000535000000000f = T2 + B0000004000000000g = 0 + C0000000400000000h = T1 + C0000000040000000i = T2 + C0000000103900000j = 0 + D0000000000400000k = T1 + D0000000000040000l = T2 + D0000000000004000m = 0 + E0000000000000400n = T1 + E0000000000000040o = T2 + EK.N. Ravikumar，C.K.Madhusudana，H.Kumar等人工程科学与技术，国际期刊30（2022）10104811表9各种分类器对小波特征的分类精度列表特征类型特征选择分类器正确分类分类错误的实例准确度（%）DWT决策树k-NN5811996.83K星5851597.50LWL5742695.66表10通过详细的K-star类TP率FP率精度召回F-measureROC面积a = 0 + A101111b = T1 + A101111c = T2 + A101111d = 0 + B101111e = T1 + B0.7750.0090.8610.7750.8160.993f = T2 + B0.8750.0160.7950.8750.8330.993g = 0 + C101111h = T1 + C10.0020.97610.9881i = T2 + C101111j = 0 + D0.975010.9750.9871k = T1 + D101111l = T2 + D101111m = 0 + E101111n = T1 + E101111o = T2 + E1011117. 结论建立了四冲程单缸内燃机与测功机耦合的试验台，对变速箱进行了故障诊断利用加速度计和数据采集系统采集了齿轮箱的振动信号对采集到的信号进行预处理，提取了二主动齿轮在健康状态和不同故障状态（25%缺陷、50%缺陷、75%缺陷和完全断齿）下的离散小波变换特征使用决策树技术仔细选择重要特征这确保减少分类器建立模型的计算时间给出了基于Lazy的分类器kNN、K-star和LWL的性能对比研究表明，K星分类器在诊断内燃机变速箱齿轮状态方面优于其他分类器。由于数据是在特定的工作环境中获得的，因此结果可能不包括所有情况。为了避免发动机部件的灾难性故障，降低维修成本，所遵循的方法将积极地作为在这一领域的进一步研究和工作的指导方针。研究结果表明，K-star算法在齿轮箱故障诊断中取得了较好的效果，分类准确率达到了97.5%。在此基础上，推荐了决策树和K星分类器用于内燃机变速箱的故障识别竞争利益作者声明，他们没有已知的竞争性财务利益或个人关系，可能会影响本文报告的工作。致谢作者感谢SOLVE的支持：NITK虚拟实验室和系统中心提供的实验设施设 计 （ CSD ） ： 印 度 卡 纳 塔 克 邦 国 家 技 术 学 院 的 卓 越 中 心（http://csd.nitk.ac.in/）提交人还感谢钦奈VIT大学教授SugumaranV资助信息这项研究没有得到任何机构的资助引用[1] Z. Liu，K.吴角，澳-地丁，J.X.顾，基于柔性联轴器扭振的柴油发电机组失火诊断：仿真与实验，J. Vib.工程技术8（1）（2020）163-https://doi.org/[2] J. Wang，S. Li，Y.u. Xin，Z.基于频域特征提取的齿轮故障智能诊断，J。工程技术7（2）（2019）159https://doi.org/10.1007/s42417-019-00089-1[3] 英迪拉河瓦桑塔库马里河李文，汽车液压制动系统故障诊断中最小样本量的确定，北京：机械工业出版社，2001。J.18（1）（2015）59https://doi.org/10.1016/j.jestch.2014.09.007[4] C.K. Madhusudana，H.库马尔，S。陈文，基于声信号的面铣刀状态监测，机械工程学报，2001。工程管理8（S2）（2017）1643https://doi.org/10.1007/s13198-017-0637-1[5] C. Li，M. Liang，使用积分增强经验模态分解和相关重构提取油碎片特征，Meas。Sci. 22（2011），https://doi.org/10.1088/0957-0233/22/8/085701。[6] a.m.D.尤努斯湾S.杨，基于红外热像的旋转机械智能故障诊断，专家系统应用39（2）（2012）2082https://doi.org/10.1016/j.eswa.2011.08.004[7] T. Toutountzakis，C.K. Tan，D.张文，声发射在齿轮故障检测中的应用，国防科技大 学 学 报 ， 2005 年 第 38 卷 第 1 期 ， 第 27https://doi.org/10.1016/j.ndteint.2004.06.008网站。[8] F. Al-Badour，M.苏纳尔湖陈文，旋转机械振动分析的时频分析与小波分析，机械 系 统 与 信 号 处 理 。 25 （ 6 ） （ 2011 ） 2083 https://doi.org/10.1016/j 。ymssp.2011.01.017网站。[9] S.M. Ramteke，H.切拉杜赖湾陈晓，基于振动和声发射分析的柴油机缸套胶合故障 诊 断 ， 北 京 ： 机 械 工 程 出 版 社 。 Eng.Technol.8 （ 6 ） （ 2020 ）815https://doi.org/10.1007/s42417-019-00180-7[10] A.穆萨维湾纳哈什湾Ghobadian，M. Mirsalim，S.M.杨文，内燃机活塞磨损故障的振 动 分 析 与 识 别 ， 北 京 ： 机 械 工 程 出 版 社 。 （ 2016 ） ，https://doi.org/10.1016/j.apacoust.2015.09.002。[11] Z.姜，Z.毛氏Z. Wang，J. Zhang，使用冲击开始检测方法的内燃机气门间隙故障诊断，传感器（瑞士）17（2017），https://doi.org/10.3390/s17122916。K.