基于FRFT和LSTM的变速器齿轮早期故障诊断

发布时间：2020-12-23 16:37

　　针对变速器齿轮早期故障诊断中故障特征微弱、难以提取和识别的问题,提出一种基于分数阶傅里叶变换(FRFT)和长短时记忆网络(LSTM)的故障诊断模型。利用FRFT分离出故障齿轮所在挡位的啮合分量,以该分量的时间序列作为特征向量输入到LSTM网络中训练和识别。试验验证了该模型的有效性,能实现齿轮故障的识别,相比BP神经网络和支持向量机(SVM)可提高故障诊断的准确率。 

【文章来源】：军事交通学院学报. 2020年04期

【文章页数】：6 页

【部分图文】：

坐标旋转示意

图2为chirp信号的FRFT分析示意图。图2中f0、f1为chirp信号的两个分量,f0分量与时间轴的夹角为β。对信号进行FRFT,当时频平面绕原点逆时针旋转的角度α与β正交时,信号在分数阶傅里叶域上聚焦在u0点,以u0点为中心进行窄带滤波,就实现了信号的分离[14]。

循环神经网络(recurrent neural networks,RNN)区别于其他深度学习理论,重视数据的关联性和反馈作用,可以记忆上一层的信息并添加到当前层的计算中,隐含层间通过节点相连,擅长对语音、文本等时间序列进行数据处理[15],其网络结构如图3所示。xt为第t步的输入单元,在振动信号分析中t可以代表时刻;ht为第t步的隐藏层状态;ot为第t步的输出,通常是softmax分类器;U、V、W为RNN网络各层的之间权重参数。第t个单元的计算式为

【参考文献】：
期刊论文
[1]基于阶次跟踪的变速齿轮啮合频率振动评估方法[J]. 贺雅,胡明辉,刘文才,冯坤.  现代制造工程. 2019(04)
[2]基于BP神经网络技术的采煤机齿轮箱早期故障诊断[J]. 王勇,师款.  煤矿机械. 2019(04)
[3]双矢时域齿轮早期微弱故障特征增强及应用[J]. 姜宏,章翔峰,张小栋.  振动.测试与诊断. 2018(06)
[4]基于长短期记忆网络的轴承故障识别[J]. 唐赛,何荇兮,张家悦,尹爱军.  汽车工程学报. 2018(04)
[5]基于双层长短时记忆网络的齿轮故障诊断方法[J]. 王维锋,邱雪欢,孙剑桥,张惠民.  装甲兵工程学院学报. 2018(02)
[6]基于LSTM循环神经网络的故障时间序列预测[J]. 王鑫,吴际,刘超,杨海燕,杜艳丽,牛文生.  北京航空航天大学学报. 2018(04)
[7]FRFT循频滤波及齿轮微弱故障特征提取[J]. 梅检民,贾继德,曾锐利,王国威,杨万成,周斌.  振动与冲击. 2016(23)
[8]基于阶次分析与循环平稳解调的齿轮箱复合故障诊断方法[J]. 李蓉,于德介,陈向民,刘坚.  中国机械工程. 2013(10)

硕士论文
[1]复合故障下变速器微弱故障特征提取方法研究[D]. 武超.中北大学 2018
[2]行星齿轮早期故障诊断及退化状态识别方法研究[D]. 李宏宇.中国矿业大学 2017
[3]分数阶傅里叶变换算法的应用研究[D]. 邵岩.哈尔滨理工大学 2016
[4]齿轮早期故障检测与诊断技术研究[D]. 谌继南.河北科技大学 2014



本文编号：2934010