針對齒輪振動(dòng)信號(hào)具有非穩(wěn)定特性、為了實(shí)現(xiàn)減速機(jī)齒輪箱的智能診斷且變分模態(tài)分解(VMD)參數(shù)組合[K,α]的大小需要使用者反復(fù)嘗試而不能有效確定的問題,提出了一種改進(jìn)的遺傳算法(MGA)對變分模態(tài)分解參數(shù)優(yōu)化選取方法,在此基礎(chǔ)上將優(yōu)化的VMD與深度卷積神經(jīng)網(wǎng)絡(luò)(DCNN)結(jié)合。提出了優(yōu)化VMD與DCNN齒輪智能故障診斷方法,首先用優(yōu)化后的VMD對信號(hào)進(jìn)行分解,其次采用DCNN進(jìn)行故障模式識(shí)別。最后,將該方法應(yīng)用于實(shí)例中,結(jié)果表明,該方法不僅有效地對信號(hào)進(jìn)行分解和對齒輪故障類型可達(dá)到精準(zhǔn)識(shí)別,同時(shí)還可診斷齒輪輕度磨損的早期故障。

【文章頁數(shù)】：6 頁

【部分圖文】：

圖1基于改進(jìn)遺傳算法的VMD參數(shù)優(yōu)化

對于一個(gè)復(fù)合信號(hào),經(jīng)過VMD根據(jù)信號(hào)自身的頻率特性劃分頻帶,最終實(shí)現(xiàn)了信號(hào)的自適應(yīng)分解。1.2改進(jìn)遺傳算法

圖2基于MGA優(yōu)化的VMD分解流程圖

本文基于改進(jìn)的遺傳算法,利用邊際譜函數(shù)為判據(jù)對目標(biāo)函數(shù)進(jìn)行全局范圍的并行搜索,以此準(zhǔn)確地獲取VMD最優(yōu)參數(shù)[K,α]組合,從而實(shí)現(xiàn)自適應(yīng)確定K值和α值。其具體實(shí)現(xiàn)流程圖如圖2所示。1.4卷積神經(jīng)網(wǎng)絡(luò)(CNN)

圖3卷積神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)圖

本文在經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)模型的基礎(chǔ)上,優(yōu)化得到一維卷積神經(jīng)網(wǎng)絡(luò)模型如圖3所示的,優(yōu)化后的結(jié)構(gòu)由輸入層、卷積層、池化層、全連接層和輸出層組成。輸入為一維振動(dòng)信號(hào);由于卷積神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力與層數(shù)正相關(guān),網(wǎng)絡(luò)結(jié)構(gòu)越深,特征學(xué)習(xí)和分類效果越強(qiáng)[20],因此設(shè)計(jì)了CNN層組由4層卷積層和4....

圖4齒輪故障診斷的流程圖

齒輪傳動(dòng)結(jié)構(gòu)復(fù)雜,實(shí)際工程中不同類型的振動(dòng)耦合導(dǎo)致齒輪的故障機(jī)理受多種因素影響,而且常常伴有大量噪聲。為了提高齒輪故障信號(hào)的信噪比,保證小樣本下的CNN診斷模型對故障狀態(tài)仍具有良好的特征學(xué)習(xí)和識(shí)別性能[23],因此本文提出了基于改進(jìn)遺傳算法對VMD參數(shù)優(yōu)化的變分模態(tài)分解與卷積神經(jīng)....

本文編號(hào)：3946346