关键词： 全工况   时变啮合刚度   啮合冲击   齿面摩擦   齿面修形  

摘要： 随着电动汽车的快速发展,驱动电机高速化趋势明显,与电机直连的齿轮减速器的振动和噪声问题因输入转速的升高而进一步加剧。纯电动汽车在行驶过程中,齿轮减速器的振动会影响整机可靠性和稳定性,由之产生的高频噪声也会给乘员带来不适。为改善纯电动汽车齿轮传动在整个工作载荷和转速范围内的工作性能,提出一种考虑输入扭矩和转速变化影响的全工况系统级齿面修形方法。本文主要从以下几个方面展开研究:(1)基于轮齿承载接触分析(Loaded Tooth Contact Analysis,LTCA),考虑误差和齿面修形,计算了齿轮副的时变啮合刚度;根据线外啮合冲击几何关系和动力学模型分析计算了啮合时间和冲击力幅值,最后得到啮合冲击力曲线;采用Buckingham半经验公式对齿面摩擦系数进行计算,随后引入方向函数获得齿面摩擦力计算公式。(2)建立高速级斜齿轮传动弯-扭-轴耦合动力学模型,对系统动力学方程组求解获得啮合线方向相对振动加速度,分析了时变啮合刚度激励、啮合冲击激励、齿面摩擦激励单独作用以及三种激励综合作用下高速级齿轮传动的振动特性。(3)基于轮齿接触分析(Tooth Contact Analysis,TCA)和LTCA,对齿面进行了齿廓及齿向的抛物线修形,结合遗传算法完成了齿廓及齿向修形系数的优化,获得高速级齿轮传动在多扭矩下和全速域下的最优修形方案,并分别与特定扭矩和特定转速下的修形方案进行了对比分析。(4)建立纯电动汽车单档两级斜齿轮传动系统动力学模型,根据电机输出特性确定传动系统的工况变化,提出系统级振动评价指标,分析了仅对单级齿对修形和两级齿对共同修形时的系统抑振效果,并探讨了两级齿轮传动中,扭矩和转速等工况对修形方案的影响。结果表明考虑工况影响的齿面修形具有更好的全局适用性。

关键词： 风电齿轮箱   深度学习   故障诊断   领域自适应   无源数据约束  

摘要： 由于运行环境恶劣且长期承受高动态载荷,导致风电机组容易发生故障。风电齿轮箱作为风电机组的关键部件,尽管故障发生概率比较低,但其造成的停机时间最长,维修成本高。因此,及时准确识别风电齿轮箱的故障,进行针对性维护,对保障风电机组的安全运行,降低风场运维成本有着重要意义。在风电齿轮箱故障诊断中,深度学习的故障诊断方法是一种常见的有效方法。但由于样本标记成本高和部分风场缺少长期系统地收集故障样本数据,风电齿轮箱有标签样本稀缺,导致深度学习模型容易产生过拟合,降低诊断精度。领域自适应方法可以结合源域数据和目标域无标签数据进行目标域故障诊断,减少对标签样本的依赖,但通常只关注特征分布之间的对齐,未考虑类间关系和样本与聚类中心间关系,导致模型泛化能力差,诊断精度低;此外,传统领域自适应方法需要源域数据参与模型训练,但是风电齿轮箱运行数据包含机组敏感信息,考虑到数据的隐私和安全性,可能无法直接提供源域数据参与目标域模型的训练过程,限制了传统领域自适应方法在风电齿轮箱故障诊断中的应用。针对上述问题,本文开展了领域自适应风电齿轮箱故障诊断方法研究。本文主要研究内容如下:(1)针对传统领域自适应方法未考虑类间关系和样本与聚类中心间关系导致风电齿轮箱故障诊断模型泛化性差、精度低的问题,提出了一种基于类别原型领域自适应网络风电齿轮箱故障诊断方法。该方法通过引入类别原型,将域不变性学习和故障识别作为一个整体自然结合在一起;首先,通过MMD度量进行源域和目标域全局特征分布对齐;然后,通过类别原型之间的距离度量进行类级别对齐;最后,通过域内样本与类别原型的相似性对比学习,缩小类内差距,扩大类间差距。(2)针对无法直接接触源域数据导致传统领域自适应故障诊断方法不可用的问题,提出了一种参数迁移的多源域自适应风电齿轮箱故障诊断方法。该方法将源域预训练模型的参数迁移到目标域模型,固定其分类模块;首先通过信息最大化损失使源域与目标域数据在特征空间进行对齐;然后利用自监督伪标签策略更新聚类中心,挖掘目标域数据的特征表征信息,并采用熵筛选策略抑制噪声伪标签的影响;最后通过自适应加权利用多个源域的知识并抑制负迁移影响,实现无法直接接触源域数据约束下的目标域风电齿轮箱故障诊断。(3)进行了风电齿轮箱故障诊断算法模型的封装部署和风电齿轮箱故障诊断系统集成开发。首先,将论文所提出的风电齿轮箱故障诊断模型部署在课题组研发的大型旋转机组健康管理软件中;然后,结合风电智能运维需求,基于大型旋转机组健康管理系统软件,实现风电运行数据的接入、存储、解析与故障诊断等功能,并提供相应的标准API接口;再采用VUE网页前端框架进行风电齿轮箱故障诊断系统前台个性化页面的可视化开发;最后,通过标准API接口实现风电齿轮箱故障诊断系统集成。

关键词： 齿轮箱   特征提取   模式识别   故障诊断  

摘要： 齿轮箱是机械传动系统的核心部件，对于设备的安全运行至关重要。准确诊断齿轮箱故障并采取有效的维护措施，对于增强传动系统的可靠性和减少经济损失具有重要的意义。本文以齿轮箱的关键部件轴承和齿轮为研究对象，重点研究基于自适应信号处理的特征提取和模式识别方法。主要研究内容如下:　　针对轴承微弱故障特征难以提取的问题，提出一种参数优化变分模态分解(VariationalModeDecomposition,VMD)和最大相关峭度解卷积(MaximumCorrelatedKurtosisDeconvolution,MCKD)的轴承微弱故障诊断方法。首先，引入天鹰优化算法(AquilaOptimizer,AO)优化VMD,将轴承振动信号分解为K个本征模态分量(IntrinsicModeFunction,IMF);其次，构建变异系数法-趋近最优排序法(TechniqueforOrderPreferencebySimilaritytoIdealSolution,TOPSIS)模态分量综合评价模型，筛选最优IMF;然后，采用AO优化MCKD,增强最优IMF的微弱故障特征;最后，通过包络解调辨识故障特征频率，实现轴承微弱故障诊断。使用美国凯斯西储大学的轴承微弱故障数据验证该方法的有效性。　　针对轴承复合故障特征难以解耦分离的问题，提出一种参数优化VMD和多点最优最小熵解卷积(Multi-pointOptimalMinimumEntropyDeconvolutionAlgorithm,MOMEDA)的轴承复合故障诊断方法。首先，采用AO优化VMD,将轴承振动信号分解为K个IMF;其次，构建熵权法-TOPSIS模态分量综合评价模型，筛选最优IMF;然后，采用AO优化MOMEDA,解耦分离最优IMF的复合故障特征;最后，通过包络解调分别辨识故障特征频率，实现轴承复合故障诊断。使用西安交通大学联合昇阳公司的轴承复合故障数据验证该方法的有效性。　　针对齿轮多失效形式难以准确识别的问题，提出一种参数优化VMD和支持向量机(SupportVectorMachine,SVM)的齿轮智能故障诊断方法。首先，采用AO优化VMD,将齿轮振动信号分解为K个IMF;其次，构建CRITIC-TOPSIS模态分量综合评价模型，优选IMF并提取能量熵，构建特征向量;然后，通过反向学习、萤火虫扰动、Tent混沌映射等策略改进AO,并通过改进天鹰优化算法(ImprovedAquilaOptimizer,IAO)优化SVM;最后，通过参数优化的SVM实现齿轮多失效形式的智能识别。使用千鹏公司的齿轮失效数据验证该方法的有效性。

关键词： 旋转机械故障诊断   同步提取变换   频率倒谱   稀疏分量分析   欠定盲源分离  

摘要： 旋转机械设备作为应用最为广泛的一种机械结构,对其进行故障诊断有助于提升机械设备的安全性与可靠性,对工程实际应用意义极大。现代机械设备不断朝着工艺精密、结构复杂的方向发展,机械设备的性能以及工业参数得到了极大的提升,伴随而来的是对现代机械设备的高可靠性、高鲁棒性要求。振动信号作为分析机械设备状态变化的主要工具之一,面对复杂工况、结构振动耦合的现代机械设备,其使用性能也出现了明显的局限性。针对上述问题,本文引入了欠定盲源分离(UBSS,Underdetermined blind source separation)方法,针对滚动轴承以及齿轮典型的微弱或早期故障诊断展开研究。主要研究内容如下:(1)开展了针对于微弱或早期故障的时频分析理论(TFA,Time-frequency analysis)研究。针对于传统的快速傅立叶变换(FFT,Fourier transformation),连续小波变换(CWT,continuous wavelet transform)时频域转化过程中,频率分辨率不能有效的匹配振动信号中的模态成分分布规律,本文提出了一种基于自适应倒谱系数(AFCC,Adaptive frequency cepstrum coefficient)与参数化同步提取变换(PSET,Parameterized synchronous extraction transformation)的振动信号时频域分析方法,利用AFCC方法自适应获取与振动信号段相匹配的时频分辨率,并构建了三角滤波器组对信号进行了初步的降噪,提升了振动信号信噪比;接着,将AFCC中获得的扭曲频率尺度作为参数与同步提取变换(SET,Synchronous extraction transformation)相结合,提升了SET方法的效率,并利用提出的PSET方法对信号进行时频域能量集中,降低噪声影响,提升了信号中主要成分的稀疏性。(2)开展信号采集源欠定条件下的盲源分离(UBSS)混合矩阵估计方法研究。旋转机械设备的传感器安装位置受到限制且采集得到多通道信号中存在耦合成分,受工作环境影响振动信号也呈现多模态非平稳的特点,为了上述问题,引入了时频域散点图,并提出了一种基于时频散点图的矢量检测(TFSVD,Time frequency scatter vector detection)去噪算法,利用振动信号模态成分在时频散点图中的中心对称规则,对时频域中的信号模态主成分进行提取,解决了多通道盲源分离过程中的噪声影响,并提升了多通道信号主成分的稀疏性。接着采用类内聚算法(CCA,Class Cohesion Algorithm)估计混合矩阵参数,解决了信号偶尔导致的混合矩阵估计精度低的问题,实现了欠定条件下的旋转机械振源分离。(3)对文章所提出的UBSS模型进行了实验验证。分别采集了滚动轴承及齿轮在故障条件下的实验数据,使用提出的方法对振动信号进行了模态成分分离,通过将分离得到的模态成分与实际计算得到的故障频率进行了对比,验证了方法的有效性,并通过与参数优化的变分模态分解(AVMD,Advanced Variational Modal Decomposition)进行性能对比,进一步验证了所提方法的先进性。

关键词： 故障诊断   齿轮箱   特征选择   多标签学习  

摘要： 随着我国能源结构体系的不断转型升级，风能作为清洁能源体系的重要组成部分，国家逐渐加大对风电产业的扶持力度，风电机组的装机规模日益增长，单机容量屡创新高。而大型机组的结构愈发复杂，维护成本也随之增高，齿轮箱作为风电机组传动链的核心部件之一，其一旦发生失效就会影响整个机组，严重时甚至会引发安全事故。轴承和齿轮是风电机组齿轮箱中最常发生故障的部件，在运行过程中可能会同时或先后出现故障，即形成复合故障，由于复合故障特征与故障模式间的关联不明确，致使风电机组实时状态监测和预测性维护任务难度加剧。因此为了预防事故发生，减少维护成本，保障风电机组正常工作，开展齿轮箱复合故障诊断技术势在必行。　　为此，本文以齿轮箱中轴承-齿轮复合故障为研究对象，围绕智能故障诊断技术的关键步骤展开深入研究，主要研究内容包括以下几个方面:　　1）轴承-齿轮复合故障多域特征集构建。提出一种轴承-齿轮复合故障多域特征集构建方法，该方法首先通过对振动信号进行预处理，去除信号中的干扰成分并突出故障特征信息;然后通过传统信号处理技术和图信号处理技术，将故障特征提取由传统的时域特征、频域特征延伸至顶点域特征和图谱域特征。　　2）高维特征集自适应特征选择方法研究。提出一种三阶段混合式特征选择框架，该框架由快速排序阶段、加权融合阶段和迭代搜索阶段三个阶段组成，在选择过程中兼顾了对特征无关性和冗余性的评价，以及对特征间组合作用的考虑。可以与多种分类器相结合，并自动确定最优子集，通过齿轮箱复合故障数据进行测试，实验结果证明了所提方法的有效性。　　3）轴承-齿轮复合故障解耦方法研究。提出一种多标签驱动的复合故障解耦方法，将多标签学习应用到复合故障诊断问题中，通过问题转换法将多标签数据转换为单标签数据，以及针对多标签数据的特殊性，对所提特征选择框架进行改造适应研究。结合多标签分类器，成功实现了复合故障的解耦，同时还保持着相当可观的识别精度，通过实验分析验证了所提方法的有效性。

关键词： 齿轮测量   非接触式测量   激光测量   齿轮整体几何偏差   可视化表达  

摘要： 齿轮是现代制造业中重要的传动零部件,其具有传动效率高、运动平稳、结构紧凑等优点,被广泛应用于航空、高铁、船舶、车辆等领域的传动系统中,随着高端装备的发展与进步,制造业对齿轮几何精度检测要求不断提高。齿轮几何偏差的测量方法有多种,其中激光测量凭借测量效率高、精度好、动态响应快、造价成本低等优势,成为当下齿轮测量的主流研究方向,但是目前齿轮激光测量方法还局限于特定齿形截面上的几何偏差分析,且偏差结果均以数值的形式进行表达,难以对齿轮全齿面上整体几何偏差的大小及其分布情况进行准确而又直观的评定。为此研究出一种能够对齿轮全齿面上的各项整体几何偏差进行测量与可视化表达的方法尤为重要。针对现阶段齿轮激光测量方法存在的问题,论文首次提出一种基于激光位移传感器的非接触式齿轮整体几何偏差测量与可视化表达方法,并研制出相应的激光测量装置和整体几何偏差可视化分析软件,能够对各种类型齿轮在全齿面上的齿廓、齿距及螺旋角等整体几何偏差进行精确、高效地测量,测量结果能够以可视化的形式进行表达,从而可以更直观地分析出几何偏差在全齿面上的大小及分布情况。论文从多个方面对齿轮整体几何偏差的测量与分析原理进行论述,针对激光测量的椭圆形光斑误差进行算法优化,又根据测量数据推导出具有一般性质的齿轮实际齿面函数模型,并阐明了全齿面上的齿轮整体几何偏差测量与可视化表达原理,最后通过对多种类型齿轮进行测量实验,验证了齿轮整体几何偏差测量与可视化表达方法的正确性和可行性。课题基于齿轮整体几何偏差的测量原理,研制出一种齿轮激光测量装置,并利用VisualBasic6.0和VPF等软件开发平台开发了测量控制与分析软件,实现了对齿轮全齿面上的多项整体几何偏差的自动化测量与分析。此外,软件中还开发了偏差结果可视化表达模块,能够将整体几何偏差的大小及分布情况以颜色映射的形式在齿轮表面上进行清晰直观地表达。论文最后使用所研制的激光测量装置对已知精度参数的多种类型齿轮进行整体几何偏差测量实验,该实验对齿轮的整体齿廓偏差、整体齿距偏差和螺旋角偏差进行测量与分析,并将偏差结果以颜色映射的形式在齿轮表面上进行表达。最后通过实验验证可知论文所提出的非接触式激光测量方法、激光测量椭圆形光斑误差优化方法、齿轮整体几何偏差测量与分析方法、偏差结果可视化表达方法均是正确及合理的。该方法有效解决了现阶段齿轮几何偏差测量存在的主要技术问题,能够更加高效且精确地对齿轮整体几何偏差进行测量与分析,为齿轮激光测量技术的进一步研究和发展打下夯实基础。

关键词： 飞秒激光   齿面形貌   等离子体冲击波效应   能量累积效应   变离焦效应  

摘要： 随着飞秒激光加工技术发展的愈发成熟,针对一些特殊材料以及不规则形状物质的加工,飞秒激光技术所能发挥出的作用愈发明显。飞秒激光可以实现微纳米级别的精准加工,对加工区周围的热影响小,可加工其他长脉冲激光难以加工的材料。本文采用理论建模、仿真分析与实验验证相结合的方法,分析加工工艺参数对多种动态效应及其齿面形貌的影响规律,从而提高面齿轮的加工精度。主要包括以下内容: (1)针对面齿轮材料对飞秒激光能量的吸收过程以及激光能量与材料的相互作用机理,分析了飞秒激光烧蚀面齿轮过程中,等离子体冲击波效应、能量累积效应、变离焦效应对烧蚀材料的影响过程。 (2)面齿轮材料的飞秒激光烧蚀特性与等离子体冲击波的动态反冲压力研究。利用烧蚀阈值理论,研究飞秒激光对面齿轮的烧蚀特征,得到了面齿轮的烧蚀阈值。建立烧蚀模型,计算仿真了飞秒激光在单脉冲与多脉冲烧蚀过程中的理论宽度与深度。利用等离子体冲击波传播半径随时间变化的规律,耦合飞秒激光多脉冲烧蚀时其齿面残余温度的变化,得到等离子体冲击波的动态反冲压力机理图,进行了试验验证分析。 (3)飞秒激光烧蚀面齿轮的复耦合模型研究。将能量累积效应与变离焦效应耦合到双温模型中,结合飞秒激光烧蚀非平面材料时激光光斑能量的变化得到了激光烧蚀复耦合模型,仿真得到了这两种效应对烧蚀凹坑深度以及半径的影响程度,得到了多脉冲加工时烧蚀凹坑形状变化以及凹坑壁的光滑程度影响规律,并进行了实验分析。

关键词： 扭转型金属阻尼器   扭转变形   单向扭转试验   低周往复扭转试验   数值模拟   抗震性能  

摘要： 金属阻尼器作为结构振动控制技术中的一类装置,在工程抗震中应用广泛,它主要通过增大结构刚度以及阻尼比两方面来进行结构减震。金属阻尼器种类繁多,按照阻尼器受力进行分类,金属阻尼器包括拉压型阻尼器、弯曲型阻尼器、剪切型阻尼器以及扭转型阻尼器四类。其中受压型阻尼器在受力过程中容易出现失稳问题;弯曲、剪切型阻尼器耗能时通常只有局部构件进入塑性阶段提供耗能,难以完全利用材料,且需考虑受力状态特点设计阻尼器的构造形式;扭转型阻尼器中耗能元件扭转变形时全截面近乎均匀受力,各截面同时达到屈服并进入塑性阶段提供耗能,充分发挥扭转变形的耗能优势。但目前扭转型阻尼器的开发应用并不多,其原因在于工程结构中荷载响应大多以水平变形为主,扭转型阻尼器难以直接应用于工程结构上,且部分扭转型阻尼器中耗能元件变形时伴随着除扭转外的其它变形,使得扭转型阻尼器不能完美地发挥其耗能优势。 为此,本文将齿轮齿条装置与扭转耗能元件进行组合,研究提出了一种基于齿轮齿条传动的金属扭转阻尼器(GAP-MTD,Metal torsion dampers based on gear and pinion transmission),它实现了将水平位移转换为扭转位移以及保证扭转耗能元件在外力作用下近乎只发生纯扭转变形的功能。本文针对提出的GAP-MTD进行了理论公式推导、试验研究以及数值分析,并对该阻尼器的抗震性能进行了研究。本文研究的主要内容和工作成果如下: (1)对地震自然灾害的频发性与强破坏性、我国超高层建筑的发展情况、结构振动控制技术以及各类金属阻尼器的发展概况进行了综述,分析了不同类型金属阻尼器的优点与不足; (2)对20#钢与6061铝两种材料进行材料性能试验,并针对6061铝制的圆棒试件进行了拉伸与扭转试验,对比分析圆棒试件在两种变形形式下的耗能优劣,结果表明,扭转变形下圆棒试件具有更大的耗能潜力;对GAP-MTD中不同构造形式、长度和厚度的扭转耗能元件进行单向扭转试验,研究其扭转性能与耗能特性,同时将试验数据与理论公式进行对比,验证了GAP-MTD中耗能元件理论公式的正确性。 (3)简要介绍了金属阻尼器常用的恢复力模型,基于双线性模型推导了GAPMTD的各项力学性能参数,基于双线性模型拟合了一种金属阻尼器的等效力学模型,并以该等效力学模型为基础推导了附加金属阻尼器的单自由度系统幅频曲线,研究结果表明,金属阻尼器的等效力学模型拟合度较高; (4)设计并制作GAP-MTD装置,依靠振动台开展了阻尼器的低周往复滞回性能试验,研究耗能元件长细比、外径、厚度以及加载幅值与加载频率等参数对阻尼器滞回特性的影响;利用ABAQUS对耗能元件进行建模分析,并将模拟结果与试验数据进行对比,验证了有限元模型的正确性。 (5)在某十层框架结构的基础上设计并应用GAP-MTD,利用Matlab程序进行框架地震响应分析,通过对比附加GAP-MTD前后的结构响应来研究阻尼器的减震性能,研究结果表明,GAP-MTD减震性能优越,验证了阻尼器应用于工程控震的可行性与有效性。

关键词： 故障诊断   小样本数据集   旋转机械   深度学习  

摘要： 旋转机械作为机械设备的重要组成部件,在航天航空、工业生产等众多领域发挥着至关重要的作用,如何保障这些设备安全稳定的运转,一直是故障诊断领域的热点。近年来,深度学习在旋转机械故障诊断领域中,取得了一定的成效,然而大部分基于深度学习的方法需要使用大量的故障数据,来实现对旋转机械故障的精准判断。在实际的工程应用中,由于旋转机械的运行环境、工作状况等众多因素的影响,采集到的故障数据量少。因此,在小样本情况下,如何构建高精度的故障诊断算法,本文做了以下研究:(1)提出一种基于三元组模型的故障诊断方法。该方法通过在已知故障样本中构建样本对的方式,提高模型的训练次数,缓解模型的过拟合现象,使模型可以有效的提取故障的特征,然后对比未知故障样本特征与已知故障样本特征的相似度,从而实现故障诊断。在轴承和齿轮数据集上验证结果表明,本方法在小样本旋转机械故障诊断中表现优异。(2)提出一种基于迁移学习的故障诊断方法。该方法针对实际工程应用中,故障数据集往往具有多种工况的故障数据、单一工况的数据量小的特点,引入迁移学习,将源域样本和目标域中少量样本进行有效的特征提取,并定义了多个损失函数,从而提高方法的故障识别率。通过轴承和齿轮故障数据集进行实验验证,结果表明本方法具有较好的故障诊断识别率。(3)提出一种基于TCNN-SMOTE的故障诊断方法。该方法从数据端出发,对小样本数据进行数据增强,来获取充足的数据样本。首先使用特征提取模型提取小样本数据集中样本的故障特征,然后使用SMOTE算法在提取的故障特征上合成样本特征,最后将合成的样本特征与提取的样本特征混合,接下来使用混合的数据集训练故障分类模型。在轴承和齿轮故障数据集上验证结果表明,在小样本情况下,该方法进行数据增强后的故障诊断精度要优于传统数据增强方式和生成模型GAN。图41表18参73

关键词： 风力发电机组   齿轮箱   故障诊断   特征提取   CatBoost   不平衡数据集  

摘要： 风能作为可再生能源的典例之一,能够缓解我国石油资源紧缺问题以及其他传统发电方式对环境的恶劣影响,因而风力发电受到人们的高度重视,得以迅速发展。风电机组由于工作环境恶劣、载荷复杂多变且风机质量不稳定,极易发生各类故障,齿轮箱故障是其中发生率较高的故障之一,而且其造成的机组停机时间长,维修成本高,这严重影响了风电场的经济效益。本文针对齿轮箱中难以早期诊断的常见齿轮故障应用机器学习算法进行故障诊断,通过对算法参数寻优来优化诊断模型,根据对诊断模型分类效果的多方面对比,给出了一种可用于齿轮故障早期诊断的有效算法。主要工作内容如下:(1)基于SIMPACK搭建了具备风轮气动载荷、风力发电控制、齿轮啮合等仿真能力的刚柔耦合风力发电整机模型,仿真正常、低速级太阳轮点蚀与磨损、高速级小齿轮点蚀与磨损五种齿轮状态。每种状态采集常规机组运行参数与轴振动信号为多源数据,通过对数据利用滑动窗口进行时域、频域多项特征值提取,并采用递归特征消除对提取的高维特征值进行特征筛选,最终保留10项特征值作为故障诊断机器学习算法的输入特征集。(2)对多种常用机器学习算法和集成学习算法利用改进的鲸鱼优化算法(IMWOA)、网格搜索以及两者结合的方式进行参数寻优优化模型,以各状态分类结果的F1值和基于样本类别数量占比的加权F1值作为评估标准,比较各类机器学习算法分类效果。根据评估结果发现优化后的支持向量机(SVM)、CatBoost分类算法表现较其他算法更为优异,同时总结了多尺度特征提取及筛选对分类算法性能表现的影响规律。(3)针对实际故障判别中齿轮箱齿轮正常类样本数量远多于故障类样本的问题,将SVM、CatBoost与多种数据层面的过采样、欠采样、混合采样策略结合,其中SMOTEENN数据增强策略有效地保留并增强了少数类样本信息,削减多数类中不相关样本对模型的干扰,与强分类模型CatBoost结合分类效果最好。最后采用齿轮箱故障模拟实验台实验数据进一步验证了 SMOTEENN-CatBoost齿轮早期故障判别算法的有效性和实用性。