發(fā)布時間：2020-12-23 16:37

　　針對變速器齒輪早期故障診斷中故障特征微弱、難以提取和識別的問題,提出一種基于分數(shù)階傅里葉變換(FRFT)和長短時記憶網絡(LSTM)的故障診斷模型。利用FRFT分離出故障齒輪所在擋位的嚙合分量,以該分量的時間序列作為特征向量輸入到LSTM網絡中訓練和識別。試驗驗證了該模型的有效性,能實現(xiàn)齒輪故障的識別,相比BP神經網絡和支持向量機(SVM)可提高故障診斷的準確率。 

【文章來源】：軍事交通學院學報. 2020年04期

【文章頁數(shù)】：6 頁

【部分圖文】：

坐標旋轉示意

圖2為chirp信號的FRFT分析示意圖。圖2中f0、f1為chirp信號的兩個分量,f0分量與時間軸的夾角為β。對信號進行FRFT,當時頻平面繞原點逆時針旋轉的角度α與β正交時,信號在分數(shù)階傅里葉域上聚焦在u0點,以u0點為中心進行窄帶濾波,就實現(xiàn)了信號的分離[14]。

循環(huán)神經網絡(recurrent neural networks,RNN)區(qū)別于其他深度學習理論,重視數(shù)據(jù)的關聯(lián)性和反饋作用,可以記憶上一層的信息并添加到當前層的計算中,隱含層間通過節(jié)點相連,擅長對語音、文本等時間序列進行數(shù)據(jù)處理[15],其網絡結構如圖3所示。xt為第t步的輸入單元,在振動信號分析中t可以代表時刻;ht為第t步的隱藏層狀態(tài);ot為第t步的輸出,通常是softmax分類器;U、V、W為RNN網絡各層的之間權重參數(shù)。第t個單元的計算式為

【參考文獻】：
期刊論文
[1]基于階次跟蹤的變速齒輪嚙合頻率振動評估方法[J]. 賀雅,胡明輝,劉文才,馮坤.  現(xiàn)代制造工程. 2019(04)
[2]基于BP神經網絡技術的采煤機齒輪箱早期故障診斷[J]. 王勇,師款.  煤礦機械. 2019(04)
[3]雙矢時域齒輪早期微弱故障特征增強及應用[J]. 姜宏,章翔峰,張小棟.  振動.測試與診斷. 2018(06)
[4]基于長短期記憶網絡的軸承故障識別[J]. 唐賽,何荇兮,張家悅,尹愛軍.  汽車工程學報. 2018(04)
[5]基于雙層長短時記憶網絡的齒輪故障診斷方法[J]. 王維鋒,邱雪歡,孫劍橋,張惠民.  裝甲兵工程學院學報. 2018(02)
[6]基于LSTM循環(huán)神經網絡的故障時間序列預測[J]. 王鑫,吳際,劉超,楊海燕,杜艷麗,牛文生.  北京航空航天大學學報. 2018(04)
[7]FRFT循頻濾波及齒輪微弱故障特征提取[J]. 梅檢民,賈繼德,曾銳利,王國威,楊萬成,周斌.  振動與沖擊. 2016(23)
[8]基于階次分析與循環(huán)平穩(wěn)解調的齒輪箱復合故障診斷方法[J]. 李蓉,于德介,陳向民,劉堅.  中國機械工程. 2013(10)

碩士論文
[1]復合故障下變速器微弱故障特征提取方法研究[D]. 武超.中北大學 2018
[2]行星齒輪早期故障診斷及退化狀態(tài)識別方法研究[D]. 李宏宇.中國礦業(yè)大學 2017
[3]分數(shù)階傅里葉變換算法的應用研究[D]. 邵巖.哈爾濱理工大學 2016
[4]齒輪早期故障檢測與診斷技術研究[D]. 諶繼南.河北科技大學 2014



本文編號：2934010