《电子测量技术杂志》发表论文赏析

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

2024年10期其他文献查阅:

基于SMA-VMD和优化神经网络的逆变器开关故障诊断

基于卡尔曼滤波的小波去噪和IWOA-ELM的颈肩肌肉疲劳分类方法

基于雷达RCS数据的空间目标识别算法研究

基于雷达时频变换和残差网络的人体行为检测

面向倾斜摄影的实景模型融合技术与应用展望

基于DCNN和Bi-LSTM的弧齿锥齿轮箱故障诊断

基于自适应因子图的车载GNSS/INS组合导航方法

基于改进麻雀算法的配电房巡检机器人路径规划

应用于金属转轴监测的无线电能与信号同步传输系统优化研究

基于机器学习的金属软管缺陷检测系统

基于时空感知Transformer的交通流预测模型

基于分布式参考校正的多机器人编队控制

基于EBWO-SVM的变压器故障诊断研究

面向任务的CMM圆度测量不确定度建模与优化

全局-局部特征融合的人体姿态估计算法

改进型CLAHE图像增强算法及其FPGA实现

结合特征融合和注意力机制的SAR舰船检测算法

面向无人机监控的动态多尺度目标检测模型的研究与实现

基于改进YOLOv8n的变电设备红外图像实例分割算法

基于超拉普拉斯正则化的冲击波超压层析重建

结合超轻量级双注意力模块的ShuffleNetV2面部表情识别

双阶段噪声自适应超声图像分割网络

基于低成本FPGA的深度卷积神经网络加速器设计

基于PC-BRISK的岩石显微图像拼接

填文献完整题目 获取完整文献

填写需求
联系方式
注:学术顾问会在1小时内联系您,请留意!