針對行星齒輪箱中各部件所激起的振動成分混疊、早期故障特征經(jīng)常被較強的各級齒輪諧波成分以及環(huán)境噪聲所湮沒的問題,提出一種多共振分量融合卷積神經(jīng)網(wǎng)絡（multi-resonance component fusion based convolutional neural network,簡稱MRCF-CNN）的行星齒輪箱故障診斷方法。首先,對振動信號進行共振稀疏分解,得到包含齒輪諧波成分的高共振分量和可能包含軸承故障沖擊成分的低共振分量;其次,構(gòu)建多共振分量融合卷積神經(jīng)網(wǎng)絡,將得到的高、低共振分量和原始振動信號進行自適應的特征級融合,通過有監(jiān)督的方式訓練模型并進行行星齒輪箱故障診斷。對行星齒輪箱實驗數(shù)據(jù)的分析結(jié)果表明,該方法能夠有效分類行星齒輪箱中滾動軸承和齒輪的故障,成功對行星齒輪箱故障進行診斷,同時能夠進一步增強卷積神經(jīng)網(wǎng)絡對振動信號所蘊含的故障信息的辨識能力。 

【文章來源】：振動.測試與診斷. 2020,40(03)北大核心

【文章頁數(shù)】：7 頁

【部分圖文】：

圖2 雙通道合成濾波器組

J層品質(zhì)因子可調(diào)小波變換

基于RSSD能有效地從混疊信號中提取所需的特征成分，而CNN在訓練卷積核時易受到其他振動成分的干擾，提出一種將RSSD和CNN相結(jié)合的多共振分量融合卷積神經(jīng)網(wǎng)絡的方法，實現(xiàn)行星齒輪箱的故障診斷。該方法的流程如圖4所示。首先，對輸入的振動信號x進行RSSD，得到高共振分量y1和低共振分量y2；其次，將y1,y2和振動信號x分別經(jīng)卷積層C1,C2和C3運算的結(jié)果進行特征融合，輸出的結(jié)果進行一系列的批規(guī)范化（batch normalization，簡稱BN）、修正線性單元（rectified linear unit，簡稱ReLU)[15]激活函數(shù)以及卷積運算，輸出的特征圖經(jīng)全局均值池化后，在輸出層中得到分類結(jié)果。2.1 卷積層

【參考文獻】：
期刊論文
[1]風電機組傳動系統(tǒng)振動監(jiān)測研究進展[J]. 湯寶平,羅雷,鄧蕾,韓延.  振動.測試與診斷. 2017(03)
[2]基于粒子群優(yōu)化KFCM的風電齒輪箱故障診斷[J]. 李狀,柳亦兵,滕偉,林楊.  振動.測試與診斷. 2017(03)
[3]卷積神經(jīng)網(wǎng)絡研究綜述[J]. 周飛燕,金林鵬,董軍.  計算機學報. 2017(06)
[4]基于最優(yōu)品質(zhì)因子信號共振稀疏分解的滾動軸承故障診斷[J]. 李星,于德介,張頂成.  振動工程學報. 2015(06)
[5]基于自適應優(yōu)化品質(zhì)因子的共振稀疏分解方法及其在行星齒輪箱復合故障診斷中的應用[J]. 黃文濤,付強,竇宏印.  機械工程學報. 2016(15)
[6]一種譜峭度和Morlet小波的滾動軸承微弱故障診斷方法[J]. 丁康,黃志東,林慧斌.  振動工程學報. 2014(01)
[7]基于改進EMD和譜峭度法滾動軸承故障特征提取[J]. 張志剛,石曉輝,施全,湯寶平.  振動.測試與診斷. 2013(03)



本文編號：2978835