多共振分量融合CNN的行星齿轮箱故障诊断

发布时间：2021-01-15 12:01

　　针对行星齿轮箱中各部件所激起的振动成分混叠、早期故障特征经常被较强的各级齿轮谐波成分以及环境噪声所湮没的问题,提出一种多共振分量融合卷积神经网络（multi-resonance component fusion based convolutional neural network,简称MRCF-CNN）的行星齿轮箱故障诊断方法。首先,对振动信号进行共振稀疏分解,得到包含齿轮谐波成分的高共振分量和可能包含轴承故障冲击成分的低共振分量;其次,构建多共振分量融合卷积神经网络,将得到的高、低共振分量和原始振动信号进行自适应的特征级融合,通过有监督的方式训练模型并进行行星齿轮箱故障诊断。对行星齿轮箱实验数据的分析结果表明,该方法能够有效分类行星齿轮箱中滚动轴承和齿轮的故障,成功对行星齿轮箱故障进行诊断,同时能够进一步增强卷积神经网络对振动信号所蕴含的故障信息的辨识能力。 

【文章来源】：振动.测试与诊断. 2020,40(03)北大核心

【文章页数】：7 页

【部分图文】：

图2 双通道合成滤波器组

J层品质因子可调小波变换

基于RSSD能有效地从混叠信号中提取所需的特征成分，而CNN在训练卷积核时易受到其他振动成分的干扰，提出一种将RSSD和CNN相结合的多共振分量融合卷积神经网络的方法，实现行星齿轮箱的故障诊断。该方法的流程如图4所示。首先，对输入的振动信号x进行RSSD，得到高共振分量y1和低共振分量y2；其次，将y1,y2和振动信号x分别经卷积层C1,C2和C3运算的结果进行特征融合，输出的结果进行一系列的批规范化（batch normalization，简称BN）、修正线性单元（rectified linear unit，简称ReLU)[15]激活函数以及卷积运算，输出的特征图经全局均值池化后，在输出层中得到分类结果。2.1 卷积层

【参考文献】：
期刊论文
[1]风电机组传动系统振动监测研究进展[J]. 汤宝平,罗雷,邓蕾,韩延.  振动.测试与诊断. 2017(03)
[2]基于粒子群优化KFCM的风电齿轮箱故障诊断[J]. 李状,柳亦兵,滕伟,林杨.  振动.测试与诊断. 2017(03)
[3]卷积神经网络研究综述[J]. 周飞燕,金林鹏,董军.  计算机学报. 2017(06)
[4]基于最优品质因子信号共振稀疏分解的滚动轴承故障诊断[J]. 李星,于德介,张顶成.  振动工程学报. 2015(06)
[5]基于自适应优化品质因子的共振稀疏分解方法及其在行星齿轮箱复合故障诊断中的应用[J]. 黄文涛,付强,窦宏印.  机械工程学报. 2016(15)
[6]一种谱峭度和Morlet小波的滚动轴承微弱故障诊断方法[J]. 丁康,黄志东,林慧斌.  振动工程学报. 2014(01)
[7]基于改进EMD和谱峭度法滚动轴承故障特征提取[J]. 张志刚,石晓辉,施全,汤宝平.  振动.测试与诊断. 2013(03)



本文编号：2978835