中国科学院南京天文光学技术研究所机构知识库

齿轮箱作为望远镜传动系统中重要的动力传输装置，其健康状态与望远镜的运行可靠性息息相关，因此对望远镜齿轮箱诊断技术进行研究具有重要的现实意义。

望远镜传动系统内部结构狭窄，定子电流分析法作为无需安装额外传感器的非侵入式故障诊断方法，成为可行的故障检测手段。而电流信号中故障特征微弱，为故障诊断带来了新的挑战。

基于深度学习的智能故障诊断方法凭借其强大的特征提取能力解决了该问题，但需要大量的数据样本训练模型，这在实际望远镜运行场景中难以满足。本文以望远镜齿轮箱为研究对象，基于电机电流信号研究了齿轮箱智能故障诊断中存在的小样本问题，主要研究内容如下：（1）本文以电机学理论为基础，从电气的角度分析齿轮故障对电机定子电流的影响。齿轮故障会导致电机负载转矩产生波动，进而导致电机定子电流信号中出现幅值和相位调制现象，在电流信号的基频及谐波中出现代表故障特征信息的边频带。
（2）针对电流信号中故障特征微弱，卷积神经网络特征提取能力较弱的问题，根据故障特征频率的存在形式，提出了名为梳状滤波网络的智能故障诊断算法。该模型基于卷积神经网络构建，将传统卷积核替换为梳状滤波器，使梳状滤波网络能有效提取处于边频带的故障特征，同时抑制无关的噪声成分，提高了故障信号的信噪比。而且梳状滤波网络是基于对电机电流信号故障机制的深入理解提出的，其卷积核具有明确的物理意义，赋予了网络极强的可解释性。此外，梳状滤波网络中每一个梳状滤波器仅有三个可训练参数，实现了模型轻量化设计，克服了模型过拟合现象，提升了在小样本下的故障诊断精度。
（3）基于旋转机械振动故障实验平台进行了齿轮箱故障实验，并搭建了数据采集硬件系统；基于LabVIEW开发了设备状态监测系统，该监测系统具有硬件参数配置、数据显示、数据存储和故障报警功能。基于所采集的电流数据，通过设置不同训练样本验证梳状滤波网络的小样本故障诊断精度，结果表明，与其他机器学习算法对比，梳状滤波网络在故障样本数量极为有限时仍然可以取得较为理想的故障诊断精度。
（4）为了验证梳状滤波网络的泛化能力，在凯斯西储大学的振动数据上进行了测试。结果表明，梳状滤波网络同样适用于基于振动信号的故障诊断任务，并且在面对变负载故障诊断任务时依然可以取得较好的诊断精度。

本文利用电机定子电流实现齿轮箱故障诊断，解决了传统振动传感器安装复杂问题。并提出了梳状滤波网络提高小样本下故障诊断的准确性。本文的研究成果可以应用到天文望远镜的状态监测中，为提高天文望远镜可靠性提供技术储备和参考。