基于DPD-1DCNN的行星齿轮箱故障诊断方法研究
张搏文
庞新宇
关重阳
太原理工大学 机械与运载工程学院, 山西 太原 030024;煤矿综采装备山西省重点实验室, 山西 太原 030024
摘要：基于数据驱动的故障诊断方法已被广泛应用于旋转机械零部件故障诊断领域.目前,大多数诊断方法主要依赖于定长数据分割产生的大量数据,但分割的数据通常为短周期的小片段信号,而实际长周期冗余信号由于数据尺度不匹配,无法直接作为测试样本进行故障识别.针对以上不足,提出了一种新的基于数据概率密度与一维卷积神经网络(Data Probability Density and One-Dimensional Convolutional Neural Network,DPD-1DCNN)的故障诊断方法,其具有两个特点:①提取信号的密度特征可抵抗数据的冗余;②适应不同长度的冗余信号可作为诊断模型的输入.该方法采用DDS试验台产生的行星齿轮箱故障数据进行了验证;其在保证高诊断精度的同时,又增强了诊断模型的适应性.
关键词：行星齿轮箱数据概率密度一维卷积神经网络故障诊断
资助基金：国家自然科学基金(52175108)山西省重点研发项目(202102010101009)
论文发表日期：2023-03-15
在线出版日期：2026-09-12（本平台首次上网日期，不代表文献的发表时间）
页数：7( 113-119 )
英文信息