小训练样本下齿轮箱故障诊断:一种基于改进深度森林的方法

作为航空装备的重要传动部件,齿轮箱的故障诊断对保障装备可靠持续适航具有至关重要的作用。随着人工智能技术的不断发展,基于深度学习的方法成为了领域内的研究热点。然而,深度神经网络对超参数设置和训练数据量有严格的要求,难以满足实际工业中快速、准确与稳定的诊断需求。针对此问题,提出了一种基于改进深度森林的诊断方法,实现小训练样本下齿轮箱的多种类混合故障的高效诊断。针对旋转机械振动信号单样本数据的长特性与深度森林模型数据处理成本高的矛盾,设计了基于主成分分析特征提取的深度森林模型,解决原始模型中的数据计算冗余问题。同时,改进的深度森林模型提高了多粒度扫描与级联森林中的数据传递与处理能力,在保障数据多样性的同时,增强模型内的特征代表性,从而提高算法的运行效率和诊断性能。最后,通过控制数据集与训练样本比例变量,开展小训练样本下齿轮箱故障诊断实验研究。结果表明,在训练-总数据比例为50%和10%条件下,所提方法平均诊断精度高达97.3%和82.8%,验证了所提方法的有效性。同时,通过对比研究,所提方法诊断性能优于现有的齿轮箱智能故障诊断方法。