-
题名多源信息深度融合的行星齿轮箱故障诊断方法
被引量：10
- 1
-
-
作者
陈仁祥
黄鑫
胡小林
徐向阳
黄钰
朱孙科
-
机构
重庆交通大学交通工程应用机器人重庆市工程实验室
重庆工业大数据创新中心有限公司
西华大学汽车与交通工程学院
-
出处
《振动工程学报》
EI
CSCD
北大核心
2020年第5期1094-1102,共9页
-
基金
国家自然科学基金资助项目(51975079,51975078)
重庆市技术创新与应用示范项目(cstc2018jscxmsybX0012)
+2 种基金
重庆市教委科学技术研究项目(KJQN201900721)
重庆市基础研究与前沿探索项目(cstc2016jcyjA0467)
交通工程应用机器人重庆市工程实验室开放基金资助项目(CELTEAR-KFKT-202002)。
-
文摘
行星齿轮箱运行工况复杂,振动激励源多,仅依靠单一征兆域会导致故障诊断结果不确定性高。为此,对行星齿轮箱多通道多征兆域深层特征信息进行融合,提出基于多源信息深度融合的行星齿轮箱故障诊断方法。首先构建多个深度残差卷积神经网络(Deep Residual Convolution Neural Network,DRCNN)分别对行星齿轮箱多通道多征兆域信息进行特征学习以建立局部特征空间与故障空间的映射;其次提取各子DRCNN所学习到的各征兆域深层故障特征以构建全局特征空间的证据体集;最后利用随机森林(Random Forest,RF)对证据体集进行融合以从不同角度充分利用多源故障特征信息,建立起全局特征空间与故障空间的映射,得到诊断结果。所提方法将特征自动提取与信息融合有效统一为整体,增强了方法的智能化与自适应能力。多工况下行星齿轮箱故障诊断实验结果表明所提方法诊断不确定度小、精确度高,能够有效对行星齿轮箱故障进行诊断。
-
关键词
故障诊断
行星齿轮箱
深度残差卷积神经网络
随机森林
多源信息深度融合
-
Keywords
fault diagnosis
planetary gearboxes
deep residual convolution neural network
random forest
multi-source information deep fusion
-
分类号
TP165.3
[自动化与计算机技术—控制理论与控制工程]
TH132.41
[机械工程—机械制造及自动化]
-
