针对齿轮箱振动信号复杂多变,导致现有的齿轮箱故障诊断方法诊断精度不高、较弱故障特征容易被噪声淹没等问题,提出了一种基于向量加权平均优化算法(weighted mean of vectors,INFO)、变分模态分解(variational mode decomposition,VMD...针对齿轮箱振动信号复杂多变,导致现有的齿轮箱故障诊断方法诊断精度不高、较弱故障特征容易被噪声淹没等问题,提出了一种基于向量加权平均优化算法(weighted mean of vectors,INFO)、变分模态分解(variational mode decomposition,VMD)和卷积神经网络(convolutional neural network,CNN)的齿轮故障诊断方法。该方法首先采用熵权法将不同位置的振动传感器信号信息进行融合,利用INFO对VMD算法中参数进行优化,并设计一个复合评价指标作为参数优化的评价标准,使用奇异峭度差分谱的方法对敏感分量进行重构;其次,从重构的信号中提取时域、频域特征并输入到CNN模型中进行分类;最后通过Shap(Shapley additive explanations)值法对模型输入特征的重要性进行排序,分析不同特征组合对模型分类和特定故障识别的影响。在东南大学行星齿轮数据集上进行验证,结果表明,利用所提特征组合进行故障诊断,CNN模型故障诊断准确率为98.24%,高于其他特征组合,为行星齿轮箱的故障诊断提供了一组有效的特征指标。展开更多
齿轮箱的故障诊断对于确保机械系统的可靠性、安全性和经济可行性至关重要。在工业实际中,齿轮箱通常运行在正常状态下,因此故障状态发生较少,且由于获取有标签的故障数据的成本较高,导致齿轮箱的健康状态监测面临着有标签故障数据稀缺...齿轮箱的故障诊断对于确保机械系统的可靠性、安全性和经济可行性至关重要。在工业实际中,齿轮箱通常运行在正常状态下,因此故障状态发生较少,且由于获取有标签的故障数据的成本较高,导致齿轮箱的健康状态监测面临着有标签故障数据稀缺的问题。然而,现有的深度迁移诊断方法存在数据生成质量不均匀和过度依赖少数类信息等局限性。为了克服这一挑战,提出条件分布域适应下数模混动齿轮箱故障诊断方法。首先,基于集中参数法构建不同齿轮故障的动力学模型以扩充少标签源域的故障数据;其次,类条件分布最大均值差异(class-conditional maximum mean discrepancy,CMMD)被嵌入诊断模型中,在再生希尔伯特核空间中(reproducing kernel Hilbert space,RKHS)显式构建了故障特征与故障标签的关系,以减小源域数据和目标域数据的分布差异;同时,为保证目标域样本建立可靠的伪标签,熵损失被引入模型训练过程中;最后,通过两个试验验证了所提出方法的有效性和可行性。展开更多
文摘针对齿轮箱振动信号复杂多变,导致现有的齿轮箱故障诊断方法诊断精度不高、较弱故障特征容易被噪声淹没等问题,提出了一种基于向量加权平均优化算法(weighted mean of vectors,INFO)、变分模态分解(variational mode decomposition,VMD)和卷积神经网络(convolutional neural network,CNN)的齿轮故障诊断方法。该方法首先采用熵权法将不同位置的振动传感器信号信息进行融合,利用INFO对VMD算法中参数进行优化,并设计一个复合评价指标作为参数优化的评价标准,使用奇异峭度差分谱的方法对敏感分量进行重构;其次,从重构的信号中提取时域、频域特征并输入到CNN模型中进行分类;最后通过Shap(Shapley additive explanations)值法对模型输入特征的重要性进行排序,分析不同特征组合对模型分类和特定故障识别的影响。在东南大学行星齿轮数据集上进行验证,结果表明,利用所提特征组合进行故障诊断,CNN模型故障诊断准确率为98.24%,高于其他特征组合,为行星齿轮箱的故障诊断提供了一组有效的特征指标。
文摘齿轮箱的故障诊断对于确保机械系统的可靠性、安全性和经济可行性至关重要。在工业实际中,齿轮箱通常运行在正常状态下,因此故障状态发生较少,且由于获取有标签的故障数据的成本较高,导致齿轮箱的健康状态监测面临着有标签故障数据稀缺的问题。然而,现有的深度迁移诊断方法存在数据生成质量不均匀和过度依赖少数类信息等局限性。为了克服这一挑战,提出条件分布域适应下数模混动齿轮箱故障诊断方法。首先,基于集中参数法构建不同齿轮故障的动力学模型以扩充少标签源域的故障数据;其次,类条件分布最大均值差异(class-conditional maximum mean discrepancy,CMMD)被嵌入诊断模型中,在再生希尔伯特核空间中(reproducing kernel Hilbert space,RKHS)显式构建了故障特征与故障标签的关系,以减小源域数据和目标域数据的分布差异;同时,为保证目标域样本建立可靠的伪标签,熵损失被引入模型训练过程中;最后,通过两个试验验证了所提出方法的有效性和可行性。
