小样本下基于DWT和2D-CNN的齿轮故障诊断方法
来源：计算机集成制造系统杂志2025年第6期北京时间：
作者：宋庭新, 黄继承, 刘尚奇, 杜敏, 李子平
单位：湖北工业大学机械工程学院
摘要：针对齿轮设备运维过程中故障信号较少的情况,提出一种将离散小波变换(DWT)与二维卷积神经网络(2D-CNN)相结合的故障识别方法。该方法通过将少量信号经卷积神经网络得到的分类标签与信号的小波能量进行权值分配,实现对齿轮的故障识别。为了充分获取小样本中的信息来训练神经网络,利用离散小波分解、图像变换和Markov变迁场方法对样本信号进行增量和转换。通过验证齿轮箱数据集得到96%的训练准确率和87.5%的分类准确率,同时通过消融实验和对比实验证明,该方法可以有效克服小样本数据中的噪声干扰,使数据得到增强,在齿轮故障识别中具有很好的现实意义。
关键词：故障诊断,小样本,二维卷积神经网络,小波变换
基金资助：国家自然科学基金资助项目(51805152)。
