基于URP-ANCNN的变转速齿轮箱智能故障诊断方法

由于齿轮箱振动信号在变转速工况下出现的调频、调幅等现象,使得信号征兆与故障模式之间的映射关系变得复杂,导致齿轮箱故障难以精确诊断。鉴于深度神经网络在自动提取数据特征和分类上的优势,提出一种基于无阈值递归图编码(Un-threshold Recurrence Plot,URP)和自适应归一化卷积神经网络(Adaptive Normalized Convolutional Neural Network,ANCNN)的变转速工况齿轮箱故障诊断方法。该方法先使用快速傅里叶变换(Fast Fourier Transform,FFT)将时域信号转化为频域信号,再利用URP编码将得到的频域信号转化为二维递归图,并提取图像特征输入到ANCNN模型。在ANCNN模型中,采用批量归一化算法消除因转速变化引起的特征分布差异,同时处理转速波动下产生的频移和调制特性,并使用遗传算法自动调整该网络模型的超参数,以提高该网络的整体性能。采用转速波动的齿轮箱试验数据对该方法进行验证,实验结果表明,该方法能够克服转速波动的影响,成功实现对不同齿轮故障的准确识别。

基于VMD与多尺度一维卷积神经网络的故障诊断方法

针对旋转机械设备在多工况、小样本状态下故障诊断精度不高的问题,提出一种基于VMD与多尺度一维卷积神经网络(M1DCNN)的故障诊断方法。该方法首先利用VMD对原始振动信号进行分解,并以峭度为指标,筛选出峭度值最大的分量进行包络分析;然后构建包含多个不同尺度卷积核通道的卷积神经网络,并采用多尺度卷积核提取不同尺度下包络信号的特征信息,进而对故障进行识别。将该方法应用于齿轮箱中的齿轮和滚动轴承的振动数据分析,结果表明:该方法在多工况、小样本情况下均有较高的故障识别精度,且模型具有较强的泛化性能;同时,与单通道卷积神经网络(1DCNN)的对比分析表明,所搭建的多尺度卷积神经网络能更全面地提取信号特征,因而具有更高的诊断精度。