1.一种数据和知识协同驱动的齿轮故障诊断方法，其特征在于，包括如下步骤：步骤1、建立齿轮已知故障标签和未知故障标签间的属性知识描述矩阵；

步骤2、构建数据和知识协同驱动的齿轮故障诊断模型；

步骤3、设计基于属性学习器分类模型的齿轮故障诊断策略；

所述步骤1的具体过程为：

步骤1.1、分析齿轮运行特点，获取不同电机工作频率和负载工作电压下的齿轮相关运行数据X及故障标签Y，其中齿轮相关运行数据X包括扭力信号x1、定轴齿轮箱两端的振动信号x2和x3、施加在定轴齿轮箱上的压力信号x4；

同时，根据齿轮故障类别是否已知将齿轮相关运行数据X划分为运行数据训练集样本XS和运行数据测试集样本XU，将故障标签Y划分为故障训练集标签YS和故障测试集标签YU，故障训练集标签YS中故障类别已知，而故障测试集标签YU中故障类别未知；

步骤1.2、根据电机工作频率和负载工作电压的不同，将齿轮故障划分为16类故障；

步骤1.3、利用12种属性知识信息对16种齿轮故障进行描述，通过独热编码方式建立故障‑属性知识描述矩阵A；A的每一行代表一种故障类别，每一列代表一种属性，故障‑属性知识描述矩阵A中只包含数字1和数字0，数字1表示当前行的故障类别具有当前列的属性，数字0表示当前行的故障类别没有当前列的属性；

故障‑属性知识描述矩阵A中包含已知故障标签和未知故障标签的属性信息，表示已知故障标签的属性知识描述矩阵，表示未知故障标签的属性知识描述矩阵；其中，N1表示训练故障类别数；N2表示测试故障类别数；N表示故障类别总数，N＝N1+N2；C表示属性数；T为转置符号；

所述步骤1.2中，16类故障包括电机工作频率为6HZ、负载工作电压为3V的齿轮缺齿故障，电机工作频率为6HZ、负载工作电压为8V的齿轮缺齿故障，电机工作频率为10HZ、负载工作电压为5V的齿轮缺齿故障，电机工作频率为10HZ、负载工作电压为8V的齿轮缺齿故障，电机工作频率为10HZ、负载工作电压为5V的齿轮断齿故障，电机工作频率为14HZ、负载工作电压为8V的齿轮断齿故障，电机工作频率为6HZ、负载工作电压为3V的齿轮断齿故障，电机工作频率为14HZ、负载工作电压为3V的齿轮断齿故障，电机工作频率为6HZ、负载工作电压为

5V的齿轮齿裂故障，电机工作频率为10HZ、负载工作电压为8V的齿轮齿裂故障，电机工作频率为14HZ、负载工作电压为3V的齿轮齿裂故障，电机工作频率为6HZ、负载工作电压为3V的齿轮齿裂故障，电机工作频率为14HZ、负载工作电压为3V的齿轮齿面磨损故障，电机工作频率为6HZ、负载工作电压为5V的齿轮齿面磨损故障，电机工作频率为10HZ、负载工作电压为

8V的齿轮齿面磨损故障，电机工作频率为10HZ、负载工作电压为5V的齿轮齿面磨损故障；

所述步骤1.3中，12种属性知识信息包括4种故障类别属性、2种故障原因属性和6种运行工况属性；4种故障类别属性分别为缺齿、断齿、齿裂和齿面磨损；2种故障原因属性分别为机械故障和齿轮故障；6种运行工况属性包括3种电机工作频率的运行工况和3种负载工作电压的运行工况，3种电机工作频率分别为6HZ、10HZ、14HZ，3种负载工作电压分别为3V、

5V、8V；

所述步骤2的具体过程为：

步骤2.1、进行属性特征提取；具体为：首先利用已知故障标签的属性知识描述矩阵AS对故障 训练 集标签YS进行描述，得到训练集样本故障‑属性知识矩阵表示故障‑属性知识矩阵的第C维信息；I1表示训练集故障样本

数；维度C对应矩阵的列数，同时对应属性数；然后，利用独立主成分分析方法进行训练集样本故障‑属性相关特征提取，公式为：BS＝WXS                               (1)；

其中，BS表示提取到的故障‑属性特征；W表示特征提取变换矩阵；

在线测试时，将得到的特征提取变换矩阵W迁移到运行数据测试集样本XU，得到测试样本故障‑属性特征BU，即BU＝WXU；

步骤2.2、建立基于卡方检验的特征选择模型，模型输入为已提取到的故障‑属性特征BS和训练集样本故障‑属性知识矩阵ZS，根据卡方统计量值最高的前r个关键故障‑属性特征进行选择，公式为：bS＝RBS                                (2)；

其中，bS表示前r个关键故障‑属性特征；R表示特征选择变换矩阵；

在线测试时，将得到的特征选择变换矩阵R迁移到运行数据测试集样本XU，得到测试样本关键故障‑属性特征bU，即bU＝RBU；

步骤2.3、建立基于极端梯度提升算法的属性学习器分类模型，具体为：其中， 表示第i个已知类故障样本属性标签的模型预测值；k表示决策树索引，K表示决策树的总棵数；bSi表示前r个关键故障‑属性特征中第i个已知类故障样本的特征；fk(·)表示第k棵决策树所对应的目标函数，每棵决策树对应于独立的树结构和叶子节点权重，表示为fk(·)＝wq(k)，w表示每个叶子节点的权重，q(k)表示第k棵决策树的结构；

步骤2.4、对属性学习器分类模型进行优化训练，训练完成的属性学习器分类模型即为构建完成的数据和知识协同驱动的齿轮故障诊断模型；

所述步骤2.4的具体过程为：

利用前向分步算法对模型进行优化，模型优化目标函数为：

其中，Objk为第k棵决策树的目标优化函数；l(·)为可微的凸函数，用于表征第i个已知类故障样本属性标签在第k棵决策树的模型预测值 和第i个已知类故障样本属性标签在第k棵决策树的模型实际值 间的差异； 表示第i个已知类故障样本属性标签在第k‑

1棵决策树的模型预测值；I表示已知故障样本的总个数；Ω(fk)为正则化项； 的前向分步计算过程为：Ω(fk)的计算过程为：

其中，γ和λ均为惩罚参数；Tk表示第k棵决策树的叶子节点个数；

对模型优化目标函数进行二阶泰勒展开，如下：

其中， 和 分别为公式(4)模型优化目标函

数的一阶导数和二阶导数；

将 带入公式(7)后，借助于梯度下降算法获得权重 的最优解：

将 和权重最优解 代入公式(7)，得到目标函数最优值，从而获

得K棵决策树和满足精度要求的属性学习器分类模型，此时属性学习器分类模型训练完成；

所述步骤3的具体过程为：

步骤3.1、对于已获得的测试样本关键故障‑属性特征bU，使用训练完成的属性学习器分类模型对故障测试集标签YU进行属性预测，获得故障测试集标签YU的故障‑属性预测知识矩阵 其中， 为故障‑属性预测知识矩阵的第C维信息，I2表示测试故障样本数；

步骤3.2、将得到的故障‑属性预测知识矩阵 与故障‑属性知识描述矩阵A利用欧式距离进行故障类别判断，具体为：其中，loc表示标签未知的新样本的故障类别；Ai表示故障‑属性知识描述矩阵中的第i个已知类故障样本；计算故障‑属性知识描述矩阵中不同故障类别与标签未知的新样本所对应的故障‑属性预测知识矩阵间的二范数，将二范数最小值所对应的故障类别标记给标签未知的新样本，从而完成标签未知的新样本的故障诊断。