来源：期刊VIP网 时间：
作者：张红波;朱丽军;刘晓腾;李峰;
单位：新乡职业技术学院师范学院;开封技师学院电气工程系;河南理工大学计算机科学与技术学院;
摘要：齿轮箱作为风电机组的关键设备，需要在极限条件中高效稳定地运行。为了提高对齿轮箱故障状态的识别效率，设计了一种基于量子粒子群和改进级联森林(IDF)算法的齿轮箱故障诊断方法。采用基于梯度罚函数对加权神经网络进行预处理，使粒子间形成更强协作效果，有效克服传统齿轮传动系统数据采集困难，并显著降低信号的噪音。研究结果表明：在小样本条件下，机器学习方法具有更大的优势，所提算法对齿轮箱的故障诊断效果好于卷积神经网络，无需进行复杂参数调节；极限条件下，IDF算法对于10 dB强噪声依然能够实现80%的识别准确率，达到较高的诊断准确率和理想的诊断性能；设置不同抽样比率时，IDF算法的诊断效果比其他几种模型更优，获得了理想的整体诊断性能，在样本数量较少或样本不均衡情况下，可以实现稳定的诊断效果。
关键词：齿轮箱;;故障诊断;;深度森林;;生成对抗网络
基金资助：国家自然科学基金资助项目(50775157)
