The empirical analysis of a typical gear fault diagnosis of five different classes has been studied in this article. The analysis was used to develop novel feature selection criteria that provide an optimum feature subset over feature ranking genetic algorithms for improving the planetary gear fault classification accuracy. We have considered traditional approach in the fault diagnosis, where the raw vibration signal was divided into fixed-length epochs, and statistical time-domain features have been extracted from the segmented signal to represent the data in a compact discriminative form. Scale-invariant Mahalanobis distance–based feature selection using ANOVA statistic test was used as a feature selection criterion to find out the optimum feature subset. The Support Vector Machine Multi-Class machine learning algorithm was used as a classification technique to diagnose the gear faults. It has been observed that the highest gear fault classification accuracy of 99.89% (load case) was achieved by using the proposed Mahalanobis-ANOVA Criterion for optimum feature subset selection followed by Support Vector Machine Multi-Class algorithm. It is also noted that the developed feature selection criterion is a data-driven model which will contemplate all the nonlinearity in a signal. The fault diagnosis consistency of the proposed Support Vector Machine Multi-Class learning algorithm was ensured through 100 Monte Carlo runs, and the diagnostic ability of the classifier has been represented using confusion matrix and receiver operating characteristics.

本文研究了五个不同类别的典型齿轮故障诊断的实证分析。该分析用于开发新的特征选择标准，该标准提供了优于特征排序遗传算法的最佳特征子集，以提高行星齿轮故障分类的准确性。我们在故障诊断中考虑了传统方法，其中原始振动信号被划分为固定长度的历元，并从分割的信号中提取统计时域特征，以紧凑的判别形式表示数据。使用方差分析统计检验的基于尺度不变马氏距离的特征选择被用作特征选择标准，以找出最佳特征子集。支持向量机多类机器学习算法被用作诊断齿轮故障的分类技术。已经观察到，通过使用建议的 Mahalanobis-ANOVA 准则来选择最佳特征子集，然后使用支持向量机多类算法，可以实现 99.89%（负载情况）的最高齿轮故障分类精度。还应注意，开发的特征选择标准是一个数据驱动的模型，它将考虑信号中的所有非线性。所提出的支持向量机多类学习算法的故障诊断一致性通过100次蒙特卡罗运行得到保证，分类器的诊断能力已通过混淆矩阵和接收器操作特性来表示。已经观察到，通过使用建议的 Mahalanobis-ANOVA 准则来选择最佳特征子集，然后使用支持向量机多类算法，可以实现 99.89%（负载情况）的最高齿轮故障分类精度。还应注意，开发的特征选择标准是一个数据驱动的模型，它将考虑信号中的所有非线性。所提出的支持向量机多类学习算法的故障诊断一致性通过100次蒙特卡罗运行得到保证，分类器的诊断能力已通过混淆矩阵和接收器操作特性来表示。已经观察到，通过使用建议的 Mahalanobis-ANOVA 准则来选择最佳特征子集，然后使用支持向量机多类算法，可以实现 99.89%（负载情况）的最高齿轮故障分类精度。还应注意，开发的特征选择标准是一个数据驱动的模型，它将考虑信号中的所有非线性。所提出的支持向量机多类学习算法的故障诊断一致性通过100次蒙特卡罗运行得到保证，分类器的诊断能力已通过混淆矩阵和接收器操作特性来表示。89%（负载情况）是通过使用建议的 Mahalanobis-ANOVA Criterion 来实现最佳特征子集选择，然后是支持向量机多类算法。还应注意，开发的特征选择标准是一个数据驱动的模型，它将考虑信号中的所有非线性。所提出的支持向量机多类学习算法的故障诊断一致性通过100次蒙特卡罗运行得到保证，分类器的诊断能力已通过混淆矩阵和接收器操作特性来表示。89%（负载情况）是通过使用建议的 Mahalanobis-ANOVA Criterion 来实现最佳特征子集选择，然后是支持向量机多类算法。还应注意，开发的特征选择标准是一个数据驱动的模型，它将考虑信号中的所有非线性。所提出的支持向量机多类学习算法的故障诊断一致性通过100次蒙特卡罗运行得到保证，分类器的诊断能力已通过混淆矩阵和接收器操作特性来表示。