状态辨识研究

一、基于控制模型的状态辨识

基于控制模型状态识别的方法研究主要涉及模型建立、参数与状态估计和观测器应用等技术。2009年1月，波兰学者 R. Zimroz 等人针对减速器载荷的非平稳性，探讨了减速器振动信号随载荷变化的问题，并在此基础上提出了一种非平稳状况下减速器状态辨识的特征[37]。2015年，美国宾夕法尼亚大学的Mark提出了一种由轮齿损伤引起的传动误差诊断模型，阐述了轮齿受损时故障齿轮传动误差的特征，可以作为此类损伤探测和诊断的新方法[38]。

国内方面，2011年7月，根据减速器振动信号的自相似性，以局域标度分析算法为基础，中国科学技术大学的李鹏等人提取减速器振动信号中包含的微弱设备状态特征信息，综合使用局域标度指数与主成分分析法对减速器状态进行检测，通过试验良好验证了该方法的识别率和检测效率[39]。2012年5月，军械工程学院的滕红智等人针对离散隐马尔科夫模型在状态识别中的不足，以减速器寿命实验数据为基础，提出了基于K均值算法和交叉验证相结合的状态数优化方法，研究了基于连续隐马尔科夫模型的状态识别方法。试验结果验证了所提出方法的有效性，为减速器的维修提供了科学依据[40]。

二、基于模式的状态辨识

就状态识别本质来说，它是利用被识别系统运行的状态信息以及系统的先验知识，经综合处理后，最后获得有关系统运行状况以及故障状况的全面评价过程。如果对系统有可能发生的异常模式事先进行分类处理，那么状态识别问题就变为状态模式识别问题。美国格鲁吉亚研究所的T.S. Khawaja等人于2008年9月利用最小二乘支持向量机（SVM）对正常和裂纹齿轮进行了正确的分类[41]。2012年9月，上海大学的刘颖慧在对滚动轴承故障诊断研究中，提出了基于斜率关联度的模式识别诊断方法，并取得了良好的应用结果[42]。由于齿轮箱振动信号的非线性和非平稳性，很难采用独立有效的方法对其进行准确分析，2015年2月，中北大学的李莎提出一种多重分形和粒子群优化的支持向量机(PSO-SVM)相结合的诊断分析方法，很好的处理了箱体振动问题，拓展了支持向量机（SVM）在齿轮箱振动信号研究的应用[43]。

三、基于人工智能的状态辨识

人工智能（Artificial Intelligence）是研究人类智能活动的规律，构造出具有一定智能的人工系统。基于人工智能的方法不需要确定物理模型，是目前研究最多、应用最广的状态识别方法[44]。代表性的方法有基于人工神经网络的状态识别方法、基于支持向量机的状态识别方法、基于数据融合技术的状态识别方法以及基于多种智能方法的状态识别方法。

支持向量机（SVM）是在统计学习理论基础上发展起来的一种机器学习方法。SVM学习的本质在于在有限特征信息情况下，最大限度地挖掘数据中隐含的分类知识。在状态识别领域中，SVM研究领域具有广阔的发展前景[45]。

随着汽车传动系统越来越复杂，依靠单一的状态识别技术已难以满足复杂传动系统的异常诊断要求，因此将几种人工智能技术集成起来形成的集成智能辨识系统成为当前齿轮系统状态辨识研究的热点。国外研究方面，2011年7月，印度的Pratesh Jayaswal等人基于小波变换、模糊规则与神经网络相结合的状态识别方法，成功的应用于旋转机械磨损的状态识别[46]。2012年2月，韩国釜庆国立大学的Ali M.D. Younus等人利用红外热成像获得的数据，对不同旋转机械异常情况提出了一种新的智能识别系统。在所提出的系统的第一阶段，使用二维离散小波变换分解热影像。为了克服此阶段获得高维数据导致性能降低的问题，在第二阶段使用基于马氏距离和救援算法的特征选择工具，以选择表征旋转机械异常的主要特征，从而提高辨识的精度。系统试验结果显示，该方法能够诊断识别出不同旋转机械的异常情况[47]。巴西的Pestana-Viana于2016年4月，采用人工神经网络识别技术结合新的信号特征参数（峭度和熵）对旋转机械的故障进行检测，准确判断了旋转机械的故障类型[48]。

在国内对人工智能的状态辨识方法展开了大量的研究。2007年10月，针对汽车变速器轴承非平稳的振动信号以及实际中难以获取大量具有典型故障样本的实际状况，湖南大学的杨宇等人提出了一种基于内禀模态函数的特征能量法以及支持向量机的变速器轴承异常诊断方法[49]。2012年6月，北京交通大学杨江天和北车集团的赵明元为了有效识别牵引电机轴承的早期异常特征，提出一种基于经验模态分解和与改进双谱的异常特征提取方法。试验结果表明，所提方法能准确识别牵引电机轴承的早期异常情况[50]。2015年11月，江西理工大学的古莹奎提出了基于邻域属性重要度的齿轮箱故障特征优选方法，并结合SVM和BP神经网络对诊断的准确率和时间进行对比分析，结果表明诊断的精确度和诊断效率得到有效的提高[51]。

人工智能领域还具有许多其他方面的应用。湖南大学刘坚等人[52] 于2009年7月提出了基于线调频小波路径追踪瞬时频率估计的减速器阶次跟踪状态识别方法。该方法能够根据信号自身的特点准确地对转速进行估计，并且能有效地识别减速器异常类型。2012年6月，华中科技大学王常青博士将数字图像处理与分析的先进理论与方法引入轴心轨迹的特征提取与分类识别，拓展了旋转机械异常状态识别方面的研究[53]。2012年7月，南京航空航天大学的林近山采用去趋势波动分析方法分析减速器振动信号的标度行为，提出了一种基于非稳态时间序列双标度指数特征的减速器状态识别方法。试验结果表明所提出的方法能够解决复杂减速器振动信号的分类问题[54]。2013年1月，军事交通学院的贾继德等人引入对称极坐标表示法，对变速器齿轮磨损异常特征进行研究，该方法不仅能反映变速器齿轮磨损状态与极坐标图形之间的映射关系，而且能实现变速器齿轮磨损异常可视化监测和诊断[55]。军械工程学院的孙磊于2015年2月提出了一种卡尔曼滤波和期望最大化算法相结合的寿命预测方法，对直升机主减速器剩余寿命进行预测，试验数据结果表明主减速器的剩余寿命分布准确有效，可用于故障预测研究 [56]。

通过对上述研究现状进行分析总结，国内外对减速器动态特性和状态识别进行了大量的研究，在一定程度上取得了较好的效果。但在减速器的振动特性研究方面，大多研究对象主要针对齿轮的振动特性研究，同样作为主减速器重要传动部件的齿轮轴在主减速器整体振动特性的研究中却受到较少的关注；且在减速器的状态辨识研究方面，普遍使用支持向量机算法（SVM）进行振动特性的研究和状态辨识的分类，但经典的支持向量机算法（SVM）只给出了二类分类的算法，可以有效快速的对两种类型的对象进行区分，但在实际问题研究中，需求解决多种类的划分问题。本文提出了Fisher判别法，该方法不仅能很好的解决多分类问题的研究，且基于Fisher判别法与可能性理论结合的状态识别方法在电动汽车减速器状态辨识中的研究与应用尚未进行深入，因而具有很大的潜力。