随着造船技术与远洋运输事业的发展，现代船舶 的自动化程度越来越高，工作人员的数量不断减少， 船舶机械装置结构日益复杂 [1] 。齿轮箱是船舶的主要 动力部件，齿轮箱的工作状态直接影响船舶的安全， 因此其一旦出现故障将导致船舶系统瘫痪，影响船舶 的航行任务 [2] 。

   如何对船舶齿轮箱故障进行准确诊断 成为当前船舶研究领域的一个重大课题。 对于船舶齿轮箱故障诊断问题，20 世纪 80 年代就 有学者提出了诊断方法，其主要通过对船舶齿轮箱的 一些振动参数进行测量，如振动峰值，通过对这些振 动参数进行观察和分析，找到这些参数与船舶齿轮箱 故障之间的关系，这种方法十分简单，但是其存在船 舶齿轮箱故障诊断灵敏度差、诊断准确率低等不足 [3] 。 大多数情况下，根据一方面的参数无法对船舶齿轮箱 故障进行准确诊断，其涉及许多方面的内容，如船舶 齿轮箱工作原理、振动信号的分析等，在此背景下， 出现了基于智能化理论的船舶齿轮箱故障诊断方法， 如傅里叶变换的船舶齿轮箱故障诊断，通过傅里叶变 换对船舶齿轮箱的振动信号进行分析，提取相关特 征，但是该方法提取的特征不明显，随后出现了基于 最大熵谱的船舶齿轮箱故障诊断方法，其可以对船舶 齿轮箱故障进行准确定位，在此基础上出现了基于奇 异值分解技术、包络方法等船舶齿轮箱故障诊断方法 [4] 。 然而利用这些方法进行船舶齿轮箱故障诊断时，最后 必须建立船舶齿轮箱故障的分类器，当前船舶齿轮箱 故障诊断分类器主要有：模糊数学法、神经网络，模 糊数学法根据模糊理论，将船舶齿轮箱故障诊断抽象 化，但是该理论十分抽象，普通人无法掌握，难以推 广 [5] 。神经网络是现代模式识别技术中机器学习算法 的佼佼者，其可以对特征向量和船舶齿轮箱故障诊断 类型之间的关系进行准确描述，这样建立船舶齿轮箱 故障诊断分类器性能相对较优，但是其参数如何确定 一直是一个有待解决的难题 [6] 。 针对船舶齿轮箱故障诊断正确率的难题，提出蚁 群优化神经网络的船舶齿轮箱故障诊断方法。采用小 波分析提取船舶齿轮箱故障诊断特征，采用神经网络 建立船舶齿轮箱故障诊断和齿轮箱失效预测模型，采 用蚁群算法克服神经网络存在的缺陷，实验结果表 明，本文方法不仅提高了船舶齿轮箱故障诊断效果， 而且可以对船舶齿轮箱失效进行高精度预测。 

1     船舶齿轮箱失效原因以及故障类型 1.1 齿轮箱失效原因 在船舶齿轮箱的工作过程中，能够描述其工作状 态的信息十分多，这样与船舶齿轮箱故障相关的信息 也相当多，选择那一种信息进行船舶齿轮箱故障诊 断，得到的故障诊断结果是各异的。船舶齿轮箱的主 要作用为：减速、倒顺、离合、推力等，其性能的好 坏直接影响到船舶机械能否正常运行。引起船舶齿轮 箱产生故障的主要原因为：磨损、疲劳、设计不当、 不及时保养等。 1.2 齿轮箱故障类型 在船舶齿轮箱中，滚动轴承是最关键的零件，同 时也是容易出现故障的部件，因此本文主要研究船舶 齿轮箱的滚动轴承故障，其故障类型如表 1 所示。 

2     船舶齿轮箱故障的特征提取 2.1 齿轮箱的振动机理 船舶齿轮箱可以看作是一个振动系统，其振动的 数学模型可以描述为： M r X+CX+k(t)[x−E(t)] = (T 2 −iT 1 )/R， (1) 式中：X 为齿面啮合力的相对位移；E（t）为两齿轮 间的相对位移。 如果不考虑摩擦因素，那么 E（t）的计算公式为： E(t) = E 1 +E 2 (t)， (2) 式中，E 1 和 E 2 分别表示船舶齿轮箱的弹性变形和故障 函数。 那么式（1）可以变为： M r X+CX+k(t)X = K(t)E 2 +K(t)E 2 (t)。 (3) K(t)E 2 (t) 从式（3）可以知道， 是引起船舶齿轮振动的 重要因素，船舶齿轮箱的故障与这部分的密切相关。 船舶齿轮箱发生故障时，振动频率就会发生相应的变 化。在实际船舶齿轮箱故障诊断过程中，振动信号常 常淹没于大量的噪声中，因此需要采用一定的方法提 取船舶齿轮箱故障诊断的有用特征。 2.2 船舶齿轮箱故障诊断的特征提取 在传统船舶齿轮箱故障诊断过程中，采用傅里叶 变换提取船舶齿轮箱故障特征，但是傅里叶变换其自 身存在难以克服的缺点，小波分析具有更好的信号分 析效果，为此本文选择其提取船舶齿轮箱故障诊断特 征，具体步骤如下： 1）采集船舶齿轮箱故障诊断的振动信号。 { d j , j = 1,2,...,N } 2）对船舶齿轮箱的振动信号进行 N 层多分辨率分 解，那么可以得到 N 个低频系数序列 。 j E j 3）计算第 层序列的能量 ，具体为： Z j = w ?S j (t) ? 2 d(t) = n ∑ k=1 |d j k | 2 。 (4) d j k 式中， 表示第 k 个分量。 {Z j , j = 1,2,...N} {Z 1 ,Z 2 ,...,Z N } 4）根据尺度产生序列 ，那么船舶 齿轮箱故障诊断的特征向量为： 。 本文提取船舶齿轮箱故障诊断第 1 层到第 4 层的 低频特征值 Z 1 ，Z 2 ，…，Z 4 ，并将它们进行归一化处 理，得到的特征值如表 2 所示。 表 1 船舶齿轮箱的主要故障类型 Tab. 1    Main fault types of ship gearboxes 船舶齿轮箱滚动轴承故障编号 故障类型 1 磨损 2 疲劳 3 腐蚀 4 压痕 5 破裂 表 2 船舶齿轮箱故障诊断的故障特征 Tab. 2    Fault diagnosis of ship gearbox fault diagnosis 故障编号 Z 1 Z 2 Z 3 Z 4 1 0.052 0.998 0.532 0.531 2 0.429 0.474 0.400 0.857 3 0.607 0.206 0.707 0.785 4 0.459 0.816 0.205 0.317 5 0.953 0.065 0.800 0.122 第 40 卷 周    旭，等：船舶齿轮箱故障诊断及失效预报方法研究 · 77 · 3     船舶齿轮箱故障诊断模型 3.1 BP 神经网络 p = √ m+n+l 在众多神经网络中，BP 神经网络的分类性能最 佳，因此选择其建立船舶齿轮箱故障诊断的分类器。 而 BP 神经网络的结构和参数对船舶齿轮箱故障诊断结 果具有重要的影响，根据船舶齿轮箱故障诊断的实际 特点，神经网络输入节点数量与船舶齿轮箱故障诊断 特征向量数量相等，为此设置为 m=4，由于船舶齿轮 箱故障有 5 种类型，那么神经网络的输出的节点为 n=5，根据经验公式 得到神经网络的隐含 层节点为 9，l 取值为 6，这样构建了 BP 神经网络的结 构，那么船舶齿轮箱故障的编号方式如表 3 所示。 3.2 BP 神经网络参数的优化 建立基于 BP 神经网络的船舶齿轮箱故障分类器， 通常采用随机方式确定初始化权值和阈值，这种确定 方式没有依据、具有盲目性，导致 BP 神经网络的训练 时间长、且易陷入局部极值的缺陷，为此选择蚁群算 法确定初始化权值和阈值。 4     验证性测试 为了本文设计的船舶齿轮箱故障模型的性能，选 择标准 BP 神经网络进行船舶齿轮箱故障诊断对比测 试，它们的船舶齿轮箱故障诊断正确率如图 1 所示。 从图 1 可以看出，本文方法的船舶齿轮箱故障正确率 要高于标准 BP 神经网络，这主要是本文方法引入蚁群 算法对神经网络的初始化权值和阈值进行优化，得到 的初始化权值和阈值更为合理，建立了性能更优的船 舶齿轮箱故障诊断分类器，降低了船舶齿轮箱故障诊 断误差。 为了验证本文方法对船舶齿轮箱失效预报的性 能，对齿轮箱轴承失效进行预报实验，共进行 5 次仿 真测试，统计它们的平均值，得到的结果如表 4 所 示。从表 4 可以看出，本文模型的船舶齿轮箱轴承失 效预报精度得以提高，较好克服了标准神经网络训练 时间长和易陷入局部极小值的缺点，并且加快了船舶 齿轮箱轴承失效预报速度。 5     结　语 为了改善船舶齿轮箱故障诊断效果，采用小波分 析提取船舶齿轮箱故障诊断特征向量，以描述船舶齿 轮箱故障诊断类型，然后采用神经网络建立船舶齿轮 箱故障诊断器，并将神经网络应用于船舶齿轮箱失效 的预报中。通过测试实验验证本文方法，是一种有效 的船舶齿轮箱故障诊断方法，同时可以获得高精度的 船舶齿轮箱预报结果，具有广泛的实际应用价值。