首页  |  期刊简介  |  期刊荣誉  |  编委会  |  现任主编  |  投稿指南  |  下载中心  |  期刊征订
中文核心期刊
Ei Compendex收录期刊
中国科学引文数据库来源期刊
中文科技期刊数据库收录期刊
国际刊号:1004-6801
国内刊号:32-1361/V
用户登录
  E-mail:  
  密  码:  
  作者 审稿  
  编辑 读者  
期刊向导
联系方式
  • 主管:中华人民共和国工业和信息化部
  • 主办:南京航空航天大学
  •           全国高校机械工程测试技术研究会
  • 国际刊号:1004-6801
  • 国内刊号:32-1361/V
  • 地址:南京市御道街29号
  • 电话:025-8489 3332
  • 传真:025-8489 3332
  • E-mail:qchen@nuaa.edu.cn
  • 邮编:210016
多共振分量融合CNN的行星齿轮箱故障诊断
A Multi-resonance Component Fusion Based Convolutional Neural Network for Fault Diagnosis of Planetary Gearboxes
  
DOI:10.16450/j.cnki.issn.1004-6801.2020.03.012
中文关键词:  共振稀疏分解  卷积神经网络  多共振分量融合  行星齿轮箱  故障诊断
英文关键词:resonance-based signal sparse decomposition (RSSD)  convolutional neural network (CNN)  multi-resonance component fusion  planetary gearboxes  fault diagnosis
基金项目:国家自然科学基金资助项目(51775065);重庆市自然科学基金重点资助项目(cstc2019jcyj-zdxmX0026)
作者单位
汤宝平,熊学嫣,赵明航,谭骞 (重庆大学机械传动国家重点实验室重庆400044) 
摘要点击次数: 79
全文下载次数: 104
中文摘要:
      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。
英文摘要:
      In light of the aliasing of vibration signals, and the incipient fault features covered by stronger harmonic components at different levels and environmental noise, a fault diagnosis approach is proposed for planetary gearboxes using a multi-resonance component fusion-based convolutional neural network (MRCF-CNN). First, the vibration signal is decomposed using resonance-based signal sparse decomposition (RSSD) for the high resonance components containing the harmonic components of the gears and the low resonance components that may contain the impulse components of bearing faults. Then, a convolution neural network with multi-resonance component fusion is constructed from which the obtained high and low resonance components are adaptively fused with the original vibration signals at the feature level. Finally, the supervised model is trained to diagnose the faults of planetary gearboxes. The experimental result shows that the proposed method can classify failures of rolling bearings and gears in planetary gearboxes, diagnose the planetary gearbox failure, and enhance the ability of convolution neural networks to detect fault information from vibration signals.
查看全文  查看/发表评论  下载PDF阅读器
关闭

Copyright @2010-2015《振动、测试与诊断》

地址:南京市御道街29号        邮编:210016

电话:025-8489 3332      传真:025-8489 3332       E-mail:qchen@nuaa.edu.cn

您是本站第2095876位访问者 本站今日一共被访问308

技术支持:北京勤云科技发展有限公司