科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对齿轮箱实际工作环境复杂、传统方法提取特征以及灰度图提取特征性能不足，提出了一种基于改进时序灰度图和深度学习的齿轮箱故障诊断方法。用EEMD（ensemble empirical mode decomposition）将振动信号分解为若干个本征模态分量（IMF）后，通过累计均值准则将IMFs划分为高频和低频分量，其中高频分量采用小波阈值降噪进行处理；重构降噪后的高频 IMFs 与低频IMFs ，并利用灰度图方法对重构信号进行编码。将二维改进时序灰度图送入卷积神经网络进行训练，以发挥卷积网络对图片特征提取优势，并由混淆矩阵显示结果。最后将模型结果和不同灰度图与传统诊断方法进行对比。结果表明:相对于普通灰度图、全局去噪灰度图，本文所提的方法对齿轮箱故障诊断准确率分别提高4%、1.8%，且收敛速度明显加快；相对于BP 神经网络以及 ELM 诊断方法方法，本文所提的方法对齿轮箱故障诊断准确率显著提高。
- 出版日期2023
- 单位华东交通大学机电与车辆工程学院
