基于差分进化概率神经网络的行星齿轮故障诊断方法与流程

本发明涉及旋转机械故障诊断方法领域，特别是涉及基于差分进化神经网络的行星齿轮故障诊断方法。

背景技术：

行星齿轮作为旋转机械中最为重要的一部分，正随着科技的发展向着体积小、重量轻、承载能力强等方向发展，使得行星齿轮在航空航天、矿山机械、风力发电等领域发挥重要的作用。由于实际工作环境中存在工矿复杂、环境恶劣等问题，使得齿轮在冲击载荷或重载情况下发生不同形式的故障。当行星齿轮发生故障时轻则造成设备停机，重则造成巨大的经济损失和人员伤亡。因此开展行星齿轮的早期故障诊断方法的研究，不仅对维护设备的健康运行有重要意义，同时对保证人身安全及财产安全具有重要意义。

故障诊断技术是通过各种检测手段监测设备运行过程中是否存在故障。随着科学技术的不断发展，智能故障诊断方法逐步取代了专家系统，成为故障诊断领域的主流力量。智能故障诊断是以信息处理技术为基础，依靠机器学习获取的知识和技能来识别现有问题。

行星齿轮振动信号存在振动信号传递路径复杂、多模式混叠、非线性、非平稳性等特点使得故障信号被强大的背景噪声所淹没，响应微弱。针对行星齿轮存在以上问题，如何将有用的故障信号从强大的背景信号中提取出来，成为行星齿轮早期故障诊断的关键。对此，国内外众多学者进行研究。小波变换是在短时傅里叶变换的基础上发展而来的，解决了傅里叶变换中存在窗函数固定的缺陷，成为信号处理路程上的里程碑，为以后信号处理方法的发展奠定了基础。屈梁生等人将连续小波变换引入故障诊断领域，并利用小波变换对滚动轴承滚道缺陷和齿轮裂纹故障信号进行故障识别，并取得了理想的效果。针对非平稳信号华裔科学家nordene.huang提出了经验模态分解(emd)，该方法依赖于原始信号的尺度波动，对信号进行逐级分解。程军圣等人将emd信号分解方法应用到转子局部碰磨故障诊断中，并验证了emd信号分解方法能够将碰磨振动信号从强大的背景信号中分离出来。针对轴承故障振动信号非平稳性的特点，众多学者将经验模态分解与其他诊断模型相结合的故障诊断方法应用到轴承故障诊断中，证明了经验模态分解在旋转机械故障诊断中的有效性。为了弥补经验模态分解中存在的问题，先后发展出集合经验模态分解(eemd)、互补经验集合模态分解(ceemd)等。经验小波变换(ewt)信号分解方法借鉴了经验模态分解和小波信号分解的优点，成为自适应信号分解方法的新的突破，近年来被广泛应用于各个领域。李志农等人验证了经验小波变换在故障诊断邻域中的适用性。

随着科技的进步，智能故障诊断方法被广泛使用，智能故障诊断是模拟人类的思维活动，有效的获取传递处理诊断信息，对检测对象的运行状态和故障状态做出智能的判断和决策。常见的智能诊断方法如支持向量机(svm)、神经网络等。支持向量机(svm)是一种基于小样本统计学的机器学习方法，其原理是寻找样本中最大分类间隔以区分不同类别。svm有完备的理论基础作为支撑，在解决小样本模式识别中具有稀疏性和稳健性，因此被应用于各个领域中，成为基于统计学模式识别方法的热门。purushottamgangsar将svm结合时域信号对异步电动机进行故障诊断。曾柯等人针对行星齿轮信号非平稳性的特点提出了双子支持向量机的行星齿轮故障诊断模型。由于神经网络具有非线性处理、并行分布式处理、自学习能力、容错性强等优势，近年来成为各领域关注的热门。误差反向传播(backpropagation,bp)算法作为神经网络的经典算法之一，其特点是误差反向传播以实现网络输出值接近理想输出值。在机械故障诊断领域中也受到关注，于婷婷将该算法应用于滚动轴承故障诊断领域，曹雲梦将bp神经网络应用于轨道声学故障诊断领域。但bp神经网络存在易出现局部最优，收敛性差等问题。卷积神经网络(convolutionalneuralnetworks,cnn)是一种具有深度结构的前馈神经网络，其算法结合了卷积计算，在众多领域被广泛应用。krizhevskya等将卷积神经网络应用于大规模图片处理中。janssenso等将卷积神经网络应用于旋转机械故障诊断领域。但卷积神经网络层与层之间的冗余度高，导致计算量大，不能明确确定提取的特征的含义，导致物理结构含义不明确。概率神经网络(probabilisticneuralnetworks，pnn)是一种结构简单非线性分类器，在径向基函数的基础上融合了贝叶斯决策理论和密度函数估计。pnn具有运算数度快，分类准确性高，稳定性好等优点。李慧莹等人将概率神经网络应用于手写字体识别，张淑清等人利用概率神经网络对滚动轴承进行故障诊断，并验证了该方法在故障诊断中具有良好的诊断效果。

综上所述，现有的信号分解方法为信号分解的发展奠定了强有力的基础但仍然存在一定的不足。小波变换中的小波基函数不能随信号频域的变化而变化，缺乏自适应性。在小波变换的基础上发展而来的第二代小波变化信号分解方法虽然具有一定的自适应性，但依然不能自适应的给变小波基函数。经验模态分解虽然能够自适应的分解信号，但是过分依赖带分解信号自身特点，没有理论基函数，缺乏数学理论依据。经验小波变换需要人为的对傅里叶频谱进行划分。在机械系统故障诊断过程中建立合适的故障诊断模型具有非常重要的意义，传统的机器学习方法面对复杂问题时，很难去构造特征模型，但是传统机器学习方法具有可靠的理论依据。人工神经网络能够自动地提取特征，并将简单特征组合成为更为复杂的特征，通过复杂特征来解决问题，目前深度学习在很多领域取得了较好的应用效果。但是人工神经网络依然存在一定的局限性，现存的数学理论不能很好地给出定量解释，需要的存储空间大，运算量大。随着计算机技术的发展和对神经网络的深入探究，神经网络将会发挥更大的作用。

技术实现要素：

为了解决上述问题，本发明提供了基于差分进化神经网络的行星齿轮故障诊断方法，包括如下步骤：基于差分进化神经网络的行星齿轮故障诊断方法，包括如下步骤：

s1、确定故障模式类型，通过传感器获取行星齿轮的振动信号；

s2、采用经验小波变换方法分解所述振动信号，所述经验小波变换通过二分k均值划分频谱；

s3、根据时频域指标选择差异较大的信号分量，并将该信号分量的时频域指标形成特征矩阵；

s4、通过t-sne特征降维方法对所述特征矩阵降维；

s5、利用概率神经网络故障诊断模型进行故障类型诊断，所述概率神经网络的光滑因子δ通过差分进化优化算法优化后选取最优的δ值。

进一步的，所述故障模式类型包括故障种类和故障位置，故障种类包括行星齿轮正常、太阳轮断齿故障、行星轮断齿故障、齿圈断齿故障和太阳轮点蚀故障，故障位置包括太阳轮故障、行星轮故障和齿圈故障。

进一步的，步骤s2具体包括：

s21、将步骤s1获取的振动信号进行傅里叶变换，得到原始振动信号的频谱图；

s22、通过二分k-means方法确定若干阈值；

s23、将s22中的阈值作为频谱划分的边界，将原始振动信号的频谱分割成若干频带区间；

s24、在每个频带上建立滤波器，提取具有紧支撑的调幅调频分量；

s25、构建经验小波函数，筛选含有所述故障模式的频率的imf信号分量；

s26、计算各个imf信号分量指标。

更进一步的，步骤s22包括：

s221、将频谱所有幅值作为一个簇，利用k-means聚类算法将其分成两个子簇；

s222、分别计每个子簇的误差平方和，计算公式为：

其中，wi表示权重值，y*表示该子簇所有幅值点的平均值；

s223、选择使平方和误差sse最小的子簇利用k-means算法将其分成两子簇；

s224、重复s222-s223操作，直到将频谱幅值点分成k个簇，进而得到k+1个边界阈值。

进一步的，步骤s5所述构建概率神经网络模型包括如下步骤：

s51、构建概率神经网络模型；

s52、通过差分进化方法优化得到平滑因子δ，将该平滑因子输入步骤s51中的概率神经网络模型中，根据所述概率神经网络模型的输出结果输入故障诊断评价指标模型中进行诊断结果准确率的判断；

s53、判断是否达到预设优化次数，若是，则进行步骤s54，若否，重复步骤s52；

s54、选择准确率达到最大值时的平滑因子δ，得到最终优化的概率神经网络模型；

s55、输入测试样本矩阵，检验构建的概率神经网络的准确性；

s56、将步骤s4得到的特征矩阵输入最终概率神经网络模型中诊断故障种类和故障位置。

更进一步的，所述差分进化具体过程包括：

s521、初始化平滑因子种群；

s522、对所述平滑因子种群的个体进行变异、交叉和选择操作，产生新个体平滑因子δ；

s523、判断是否达到迭代次数，若是，则进入步骤s524，否则，重复进行步骤s522；

s524、终止差分进化迭代运算。

更进一步的，所述故障诊断评价指标模型为：

其中，p表示训练样本中真正为故障样本的样本率，tp为训练样本中的故障样本数量，fp为训练样本中为非故障的样本数量。如上所述，本发明提供的基于差分进化神经网络的行星齿轮故障诊断方法，具有如下效果：

1、本申请采用了二分k均值改进经验小波的信号分解方法，该方法通过二分k均值优化算法对经验小波信号分解中存在频带边界划分难的问题进行改进，准确的划分故障频率，提出含有故障频率的信号分量。相比传统经验小波变换信号分解方法，该方法对频谱划分的准确性更高，并且针对信号分量提取时频域特征，将时频域特征组成特征矩阵，使用t-sne降维方法对特征矩阵进行降维。

2、本申请采用差分进化优化算法对概率神经网络中的光滑因子进行优化，建立差分进化概率神经网络模型，将降维后的矩阵作为差分进化概率神经网络的输入对行星齿轮进行故障诊断，相比传统概率神经网络诊断精度更高，对行星齿轮正常运转、太阳轮断齿、太阳轮点蚀三种故障种类的诊断精度达到95％，同时该发明对太阳轮故障、行星轮故障、齿圈故障三种故障位置的诊断精度达到97.5％。

附图说明

图1为本发明具体实施例的行星齿轮故障诊断方法流程图；

图2为本发明具体实施例的基于二分k均值的经验小波信号分解方法工作流程图；

图3为本发明具体实施例的基于差分进化优化的概率神经网络故障诊断流程图；

图4为本发明具体实施例的太阳轮断齿故障ewt信号分解图；

图5为本发明具体实施例的太阳轮断齿故障ceemd信号分解图；

图6为本发明具体实施例的太阳轮断齿故障二分k-ewt信号分解图；

图7为图4-图6的调幅调频分量进行傅里叶变换得到的fourier谱，图7a为ewt信号分解后个分量的fourier谱，图7b为ceemd信号分解后个分量的fourier谱，图7c为二分k-ewt信号分解后个分量的fourier谱；

图8为本发明具体实施例的三种降维方法的降维效果图，图8a为pca特征降维方法效果图，图8b为lle特征降维方法效果图，图8c为t-sne特征降维效果图；

图9为本发明具体实施例的采用三种诊断网络的诊断效果图，图9a为bp神经网络故障诊断效果图，图9b为pnn神经网络故障诊断效果图，图9c为de-pnn神经网络故障诊断效果图；

图10为本发明具体实施例的de-pnn故障位置诊断图；

图11为本发明具体实施例的de-pnn故障种类诊断图。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图示中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

如图1所示，发明提供了基于差分进化神经网络的行星齿轮故障诊断方法，包括如下步骤：

s1、确定故障模式类型，本实施例所述故障模式类型包括行星齿轮正常、太阳轮断齿故障、行星轮断齿故障、齿圈断齿故障和太阳轮点蚀故障，通过振动信号采集仪采集加速度传感器测得的原始振动信号，所述加速度创拿起安装在齿轮箱体的上方位置处，齿圈固定在箱体上，太阳轮绕输入轴旋转，行星轮跟随行星架绕输出轴旋转，在行星齿轮运转过程中，通过振动信号采集仪采集加速度传感器测得的周期性原始振动信号中带有所述故障类型特征；

s2、采用基于二分k均值的经验小波信号分解方法分解所述原始振动信号，具体包括如下步骤：

s21、将步骤s1获取的振动信号进行傅里叶变换，得到原始振动信号的频谱图；

s22、通过二分k-means方法确定若干阈值；

传统经验小波频谱划分方法针对连续两个区间划分明显的情况下简单可行，但是在频带处于紧支撑或宽支撑的情况下，频谱划分的边界往往会落在宽支撑内，无法判别，所以，本实施例采用二分k均值法将对获取划分边界点，进行频谱划分，具体包括如下步骤：

s221、将频谱所有幅值作为一个簇，利用k-means聚类算法将其分成两个子簇；

s222、分别计每个子簇的误差平方和，计算公式为：

其中，wi表示权重值，y*表示该子簇所有幅值点的平均值；

s223、选择使平方和误差sse最小的子簇利用k-means算法将其分成两子簇；

s224、重复s222-s223操作，直到将频谱幅值点分成k个簇，进而得到k+1个边界阈值。

s23、将s22中的阈值作为频谱划分的边界，将原始振动信号的频谱分割成若干频带区间；

s24、在每个频带上建立滤波器，提取具有紧支撑的调幅调频分量；

s25、构建经验小波函数，筛选含有所述故障模式的频率的imf信号分量；

s26、计算各个imf信号分量指标；

本实施例为了验证基于二分k均值的经验小波信号分解方法的有效性，与传统经验小波信号分解和互补经验模态分解对比，采用行星齿轮进行仿真验证，行星齿轮的齿轮参数如表1所示，设定输入电机主轴转速为2400r/min，得到行星齿轮的频域图。

表1行星齿轮参数

为了具体说明本实施例的二分k均值检验小波分解方法的分解，本实施例针对太阳轮故障仿真信号，分别通过传统经验小波信号分解、互补经验模态分解和本实施例的二分k均值的经验小波信号分解方法得到信号分解的分量图如图4-图6所示，传统的ewt信号分解方法频谱划分时需要预先根据幅值最大值确定频谱划分边界，将其划分为5段，采用二分k-ewt信号分解方法时，使用二分k均值算法对信号频谱图进行划分为三段，通过对比可见，本实施例的二分k均值的经验小波信号分解方法进行信号分解后的调幅调频分量要少于传统经验小波信号方法和互补经验模态分解方法，对比传统经验小波信号分解方法，二分k均值的经验小波信号分解方法不需要通过计算频谱幅值最大值确定边界，对比互补经验模态分解方法，二分k均值信号分解后的调幅调频分量要少，为了更准确的分析信号分解后的调幅调频分量，对三种信号分解后的调幅调频分量进行傅里叶变换得到各分量信号的fourier谱，如图7所示，图5中的调幅调频分量过多，第六个分量之后的低频分量对故障诊断没有影响，因此取前5个分量进行傅里叶变换，通过对比可见，传统经验小波信号分解方法分解出包含太阳轮故障频率的信号，但同时也对信号过度进行分解，互补经验模态分解方法将信号逐层进行分解，但在100hz频率出两个分量都出现了峰值最大值，存在模态混叠的状况，可见将二分k-means应用于频谱边界划分中，将所有的频域作为一类簇，簇内所有点的幅值均值反映频率变换的情况，以误差平方和为指标，使用二分k-means算法对原始信号的频谱进行划分，实现更优的信号分解，克服了传统的小波信号分解方法由于频谱划分依赖于局部最大值而对原始信号存在过分解的问题。

s3、根据时频域指标选择差异较大的信号分量，并将该分量信号的时频域指标形成特征矩阵，所述时频域指标为均值、均方根值、峭度指标或裕度指标等数值；

s4、在特征识别过程中，不同的特征参数在不同的设备系统中表现出不同的敏感性和规律性，为了保证提取的特征从不同的角度全面展示信号所包含的内在信息，需要引入多个特征参数，所以步骤s3提取的特征值组成的特征矩阵维度大，而过多的特征会造成维度灾难、计算困难、信息重复、信息浪费，影响后续的故障诊断结果，因此本实施例通过t-sne特征降维方法对所述特征矩阵降维；

所述t-sne特征降维方法包括：

s41、高维数据点xi、xj之间的条件概率为：

将高维数据点xi和xj映射成为低维数据点yi、yj，其条件概率为：

s42、在高维空间中数据点间的联合概率为：

低维空间中数据点间的概率分布为：

s43、使用kl散度作为评价指标，使用梯度下降方法对全部数据点进行搜索，寻找kl和最小值，搜索公式为：

其中，pi为高维空间中其他数据点相对于xi的条件概率，qi为低维空间中其他数据点相对于yi的条件概率；

梯度计算公式为：

实现将高维数据将维成低维数据。

对表1所述齿轮参数的齿轮箱进行数据采集，并在相同条件下分别采用pca、lle和本申请所述的t-sne三种降维方法对比分析，得到降维效果图如图8所示，三种降维方法效果图中代n(t)表太阳轮故障，v(t)代表行星轮故障，w(t)代表齿圈故障。由三种降维方法对比图可以看出，pca特征降维后各种故障特征相互杂糅，且出现过度分类的情况。lle特征降维方法虽能够使得各类故障聚类，但是依然不能明显区分开各种故障特征，t-sne特征降维方法效果图明显优于前两者，能够将三种故障特征进行区分。

可分性评价指标jc表示同类样本内聚集程度的高低，jc越高表示同类样本聚集程度越高，异类样本的类间距越远，因此可分性指标jc可以作为降维效果的评价指标，三种降维方法所得的可分性指标如表2所示。

表2不同算法的可分性指标

表2中j1表示太阳轮故障可分性指标，j2表示行星轮故障可分性指标，j3表示齿圈可分性指标。经过三种降维方法可分性指标的对比可以发现，t-sne降维方法要优于lle降维方法，而lle降维方法优于pca降维方法。

s5、构建基于差分进化优化的概率神经网络故障诊断模型，使用差分进化优化算法对概率神经网络中的平滑因子δ进行优化，选取最优的δ值，并对故障位置和故障种类进行模式识别，概率神经网络是一种径向基神经网络，其理论基础是bayes分类规则和parzen窗的概率密度估计方法。

具体包括如下步骤：

s51、构建概率神经网络模型，所述概率该神经网络包括输入层、模式层、求和层和输出层，将训练样本矩阵输入输入层，模式层对训练样本中的每个样本进行gauss函数计算，其节点的个数等于训练样本的个数，样本点的函数取值为：

wi为输入层到模式层连接权值；δ为平滑因子；

求和层是对模式层的累计计算，即计算上一层输出的同一类概率，得到估计概率密度函数。一个求和单元只对一类故障进行计算，并且只与同类别的模式层相连接。求和层的输出概率经过输出层的归一化处理，得到不同种类的概率估计。

s52、通过差分进化方法优化得到平滑因子δ，将该平滑因子输入步骤s51中的概率神经网络模型中，根据所述概率神经网络模型的输出结果输入故障诊断评价指标模型中进行诊断结果准确率的判断。

所述故障诊断评价指标模型为：

其中，p表示训练样本中真正为故障样本的样本率，tp为训练样本中的故障样本数量，fp为训练样本中为非故障的样本数量。

所述差分进化具体过程包括：

s521、初始化平滑因子种群；

s522、对所述平滑因子种群的个体进行变异、交叉和选择操作，产生新个体平滑因子δ；

s523、判断是否达到迭代次数，若是，则进入步骤s524，否则，重复进行步骤s522；

s524、终止差分进化迭代运算。

s53、判断是否达到预设优化次数，若是，则进行步骤s54，若否，重复步骤s52；

s54、选择准确率达到最大值时的平滑因子δ，得到最终优化的概率神经网络模型；

s55、输入测试样本矩阵，检验构建的概率神经网络的准确性；

s56、将步骤s4得到的特征矩阵输入最终概率神经网络模型中诊断故障种类和故障位置。

为了更好的对比说明本申请的故障诊断方法的诊断效果，将表1所述参数的行星齿轮频谱图经本实施例步骤s1-s4后得到降维后的数据组成120×4的矩阵，随机选取80行作为训练集数据，其余40行作为测试集数据，分别使用bp神经网络、pnn网络以及本申请的优化的pnn神经网络进行故障模式识别，得到效果图如图9所示。

图中横坐标代表样本编号，纵坐标表示故障位置，其中1表示太阳轮故障，2表示行星轮故障，3表示齿圈故障。通过图8a与图8b可以计算出pnn神经网络的诊断结果准确率为82.5％，bp神经网络的诊断结果准确率为77.5％，因此，pnn网络故障诊断效果优于bp神经网络。de优化算法对pnn网络中的光滑因子进行优化，得到光滑因子为0.5时诊断准确率最高，得到故障诊断图8c，通过图8c可以计算de-pnn故障诊断的准确率为95％，与以上两种诊断方法的准确率对比，可以得出de-pnn神经网络模型的故障诊断精度最优。

为了进一步验证本实施例，搭建了行星齿轮故障试验台，包括：

行星齿轮箱，型号为pr60-l1-5-p1，最大输入转速为5000r/min，大输出转矩50n·m，行星齿轮参数如表3所示。

表3行星齿轮参数

加速度传感器：型号为ymc122a100，灵敏度50mv/g，频率范围0.5-8000hz，通过m5的螺纹联接固定在行星齿轮箱的正上方采集振动信号。

伺服电机：型号sgm7j-04afc6s，额定功率400w，额定转矩1.27n·m，额定转速为3000r/min，额定电压200v，最大转矩4.46n·m，最大转速6000r/min，配套驱动器型号为sgd7s-2r8a00a。

联轴器：型号为梅花联轴器gfc-40x66，额定扭矩32n·m，最大额定转速13000r/min。

振动数据采集仪：型号为美国晶钻仪器公司的coco80，该数据采集仪集振动信号采集、动态信号分析为一体。振动数据采集仪采集到的数据为.rec格式，需要借助工程数据管理系统(edm)软件转换成为.mat格式，后续使用matalab软件进行运算分析。

设置输入轴转速为2400r/min，采样频率6400hz，由行星齿轮各轮齿参数及输入转速。根据以上搭建的试验台，使用振动信号采集仪采集加速度传感器测得的振动数据。数据类型分别为行星轮正常时的振动数据、太阳轮断齿故障的振动数据、行星轮断齿故障的振动数据、齿圈断齿故障的振动数据、太阳轮点蚀故障的振动数据，并根据以上各类故障数据得到原始信号的加速度幅值图和频谱图。

针对以上不同故障位置和故障种类的信号进行有量纲和无量纲指标的分析，对比发现众多指标中，均值、峰值指标、脉冲指标、裕度指标、峭度指标对齿轮故障较为敏感。将采集到的振动信号采用二分k-ewt信号分解方法对振动信号进行信号分解，提取含有故障频域段的信号分量。

分别对各类故障的原始信号进行分解后，根据故障频率提取包含故障信息的信号分量，并对其进行小波降噪。将降噪后的信号提取时频域特征值，其特征值包括均值、峰值指标、脉冲指标、裕度指标、峭度指标、波形指标等，并将各类故障的特征值形成120×8的矩阵，并使用t-sne特征降维方法对特征矩阵进行降维，形成120×3的矩阵作为输入，训练街为随机选择的80组数据，测试集为随机选取的40组数据，得到故障位置诊断图10所示，图10中，1表示太阳轮断齿故障，2表示行星轮断齿故障，3表示齿圈断齿故障。以故障诊断准确率作为评价指标，通过图5-14可知de-pnn神经网络对故障位置的诊断准确率为97.5％，能够很好的对故障位置进行区分。

为了更好的验证de-pnn神经网络对行星齿轮故障诊断的适用性，使用de-pnn神经网络对故障种类进行模式识别。选用太阳轮断齿故障、太阳轮点蚀故障、齿轮正常三种情况下的振动数据作为实验验证数据。经过信号分解、降噪、降维处理后形成120×3矩阵，同样选取80组数作为训练集，其余40组数据作为测试集，所得故障种类诊断图11，图11中1表示太阳轮断齿故障，2表示太阳轮点蚀故障，3表示行星齿轮正常。以故障诊断准确率作为评价指标可知de-pnn神经网络对故障种类诊断的准确率达到95％。能够很好的对故障种类进行区分。

上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。