基于DWAE-GRUNN算法的齿轮箱早期故障智能诊断研究

为了提高在时变转速条件下对齿轮箱故障进行识别的能力,综合运用门控循环单元神经网络(GRUNN)与深度小波自动编码器(DWAE),开发了一种齿轮箱故障诊断模型。通过Adam优化算法与Dropout处理技术对模型进行了训练,采用经过训练处理的模型并通过Softmax分类器实现对样本齿轮箱运行状态的识别。研究结果表明:运用DWAE和GRUNN模型获得了良好的诊断效果,对齿根裂纹、齿面磨损、断齿的故障识别准确率都达到96%以上。本模型的齿轮箱故障识别具备DWAE鲁棒特征提取能力,表现出比其他方法更高的待诊样本准确率。在逐渐增加训练样本数量的过程中,获得了更高的待诊样本准确率。该方法具有较强的抗噪能力和时变转速适应能力,易于在同类机械传动设备的故障诊断领域应用推广。