迁移因子分析在齿轮箱变工况故障诊断中的应用

针对变工况下齿轮箱监测数据重用性低，受复杂工况影响大和传统诊断方法难以进行准确检测和有效识别，为此提出迁移因子分析算法（transfer factor analysis，TFA）。该算法基于高斯潜在因子模型，通过将训练数据和测试数据投影到性能优越、分布间距最小的潜在空间寻求公共潜在因子进行迁移，有效减小训练样本和测试样本分布差异，为变工况下设备故障诊断提供了新思路。实验证明，该算法相比传统机器学习算法（主成分分析、核主成分分析、局部线性嵌入算法和因子分析）及迁移成分分析（transferred component analysis，TCA）算法，故障诊断正确率平均提高10％～20％，最高可达93.63％，因此该算法可用于变工况下齿轮箱故障诊断。