針對(duì)行星齒輪箱中各部件所激起的振動(dòng)成分混疊、早期故障特征經(jīng)常被較強(qiáng)的各級(jí)齒輪諧波成分以及環(huán)境噪聲所湮沒(méi)的問(wèn)題,提出一種多共振分量融合卷積神經(jīng)網(wǎng)絡(luò)（multi-resonance component fusion based convolutional neural network,簡(jiǎn)稱MRCF-CNN）的行星齒輪箱故障診斷方法。首先,對(duì)振動(dòng)信號(hào)進(jìn)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(luò),將得到的高、低共振分量和原始振動(dòng)信號(hào)進(jìn)行自適應(yīng)的特征級(jí)融合,通過(guò)有監(jiān)督的方式訓(xùn)練模型并進(jìn)行行星齒輪箱故障診斷。對(duì)行星齒輪箱實(shí)驗(yàn)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(dòng)軸承和齒輪的故障,成功對(duì)行星齒輪箱故障進(jìn)行診斷,同時(shí)能夠進(jìn)一步增強(qiáng)卷積神經(jīng)網(wǎng)絡(luò)對(duì)振動(dòng)信號(hào)所蘊(yùn)含的故障信息的辨識(shí)能力。 

【文章來(lái)源】：振動(dòng).測(cè)試與診斷. 2020,40(03)北大核心

【文章頁(yè)數(shù)】：7 頁(yè)

【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(hào)中提取所需的特征成分，而CNN在訓(xùn)練卷積核時(shí)易受到其他振動(dòng)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(luò)的方法，實(shí)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(duì)輸入的振動(dòng)信號(hào)x進(jìn)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(dòng)信號(hào)x分別經(jīng)卷積層C1,C2和C3運(yùn)算的結(jié)果進(jìn)行特征融合，輸出的結(jié)果進(jìn)行一系列的批規(guī)范化（batch normalization，簡(jiǎn)稱BN）、修正線性單元（rectified linear unit，簡(jiǎn)稱ReLU)[15]激活函數(shù)以及卷積運(yùn)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(xiàn)】：
期刊論文
[1]風(fēng)電機(jī)組傳動(dòng)系統(tǒng)振動(dòng)監(jiān)測(cè)研究進(jìn)展[J]. 湯寶平,羅雷,鄧?yán)?韓延.  振動(dòng).測(cè)試與診斷. 2017(03)
[2]基于粒子群優(yōu)化KFCM的風(fēng)電齒輪箱故障診斷[J]. 李狀,柳亦兵,滕偉,林楊.  振動(dòng).測(cè)試與診斷. 2017(03)
[3]卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 周飛燕,金林鵬,董軍.  計(jì)算機(jī)學(xué)報(bào). 2017(06)
[4]基于最優(yōu)品質(zhì)因子信號(hào)共振稀疏分解的滾動(dòng)軸承故障診斷[J]. 李星,于德介,張頂成.  振動(dòng)工程學(xué)報(bào). 2015(06)
[5]基于自適應(yīng)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(fù)合故障診斷中的應(yīng)用[J]. 黃文濤,付強(qiáng),竇宏印.  機(jī)械工程學(xué)報(bào). 2016(15)
[6]一種譜峭度和Morlet小波的滾動(dòng)軸承微弱故障診斷方法[J]. 丁康,黃志東,林慧斌.  振動(dòng)工程學(xué)報(bào). 2014(01)
[7]基于改進(jìn)EMD和譜峭度法滾動(dòng)軸承故障特征提取[J]. 張志剛,石曉輝,施全,湯寶平.  振動(dòng).測(cè)試與診斷. 2013(03)



本文編號(hào)：2978835