基于DCNN和Bi-LSTM的弧齿锥齿轮箱故障诊断

来源：电子测量技术杂志2024年第10期北京时间：

作者：荀小伟，许昕，潘宏侠

单位：1.中北大学机械工程学院 太原 030051; 2.中北大学系统辨识与诊断技术研究所 太原 030051

摘要：针对传统卷积神经网络（CNN）对弧齿锥齿轮箱的故障识别准确率不高这一问题，提出一种基于深度分离卷积神经网络（DCNN）和双向长短时记忆网络（Bi-LSTM）的弧齿锥齿轮箱智能故障诊断方法。首先，对原始信号进行小波阈值降噪处理，将降噪后的信号利用经验模态分解（EMD）算法进行了分解；然后，对分解出的本征模态函数（IMF）的各个分量进行峭度计算，选取峭度值最高的IMF分量重构成新的振动信号输入模型进行训练；之后，将振动信号重叠采样获得大量信号样本，将这些样本通过深度分离卷积神经网络从一维原始振动信号中自适应的提取空间特征信息，提取的特征进一步输入到双向长短时记忆网络，同时提取正、逆时域的振动信号，以更好的提取故障特征；同时，在深度分离卷积中加入了残差网络对数据特征进行了复利用，并对卷积核进行了深度分离，解决了深度模型的网络退化问题；最后，将特征信息输入到已经训练好的DCNN-Bi-LSTM模型中,对弧齿锥齿轮箱故障诊断识别。结果表明，该方法可以准确的识别齿轮箱故障，最高诊断准确率可达100%。并且，该方法比传统的卷积神经网络的准确率更高，抗噪能力更强，网络收敛速度更快，诊断结果更稳定。

关键词：深度分离卷积;双向长短时记忆网络;残差网络;智能故障诊断;本征模态函数;振动信号

基金资助：内燃机可靠性国家重点实验室基金（skler-201911）项目资助