基于信息融合与CNN的齿轮箱故障诊断方法

• 全文链接
• 请求原文

作   者：

赵晓平;  魏旭全;  孙中波;  王荣发; 

作者机构：

南京信息工程大学计算机与软件学院; 

关键词：

卷积神经网络;  故障诊断;  多域特征融合;  齿轮箱;  变工况; 

期刊名称：

测控技术

i s s n：

1000-8829

年卷期：

2022 年 41 卷 011 期

页   码：

11-19

摘   要：

齿轮箱在实际生产中面临复杂多变的工况,其部件的故障特征随工况发生改变,常规方法在变工况下难以有效识别故障.针对该问题,提出一种基于信息融合和卷积神经网络(IFCNN)的故障诊断方法.IFCNN使用多传感器信息融合和多域特征融合改进卷积神经网络(CNN),首先将不同位置的加速度传感器采集到的振动信号转换成频域、时频域信息,将来自不同传感器的信息融合,然后用CNN对故障信号的频域、时频域信息分别进行特征提取和多域特征融合,结合注意力机制选择重要特征进行故障分类.多组实验结果表明,IFCNN在变工况场景下,可有效提取齿轮箱振动信号的故障特征,12组变工况实验平均识别准确率为98.38%,明显高于所提出的对比方法.