基于深度学习多样性特征提取与信息融合的行星齿轮箱故障诊断方法

论文摘要

针对行星齿轮箱振动信号噪声干扰大、单一分类器泛化能力不强的问题,提出了一种基于深度学习多样性特征提取与信息融合的行星齿轮箱故障诊断方法。利用多目标优化算法优化多个堆栈去噪自动编码器（SDAE）以获得多个性能优异的SDAE,并提取多样性的故障特征;采用多响应线性回归模型集成多样性故障特征实现信息融合,得到多目标集成堆栈去噪自动编码器（MO-ESDAE）,最后将其应用于行星齿轮箱故障诊断。实验结果表明:该方法能有效提高故障诊断精度与稳定性,具有较强的泛化能力。

论文目录

• 0 引言
• 1 SDAE多样性故障特征自动提取
•   1.1 SDAE原理
•   1.2 多样性故障特征提取算法与建模
• 2 行星齿轮箱信息融合故障诊断
•   2.1 多响应线性回归模型
•   2.2 故障诊断实现方法
• 3 实验及结果分析
•   3.1 实验方案
•   3.2 故障诊断结果
•     3.2.1 SDAE多样性故障特征提取结果的分析
•     3.2.2 MO-ESDAE和MO-SDAE诊断性能的比较
•     3.2.3 MO-ESADE和其他方法诊断性能的比较
• 4 结论

文章来源

类型: 期刊论文

作者: 金棋,王友仁,王俊

关键词: 行星齿轮箱故障诊断,深度神经网络,多样性特征提取,多目标进化算法

来源: 中国机械工程 2019年02期

年度: 2019

分类: 工程科技Ⅱ辑

专业: 机械工业

单位: 南京航空航天大学自动化学院

基金: 国家自然科学基金资助项目(61371041),航空科学基金资助项目(2013ZD52055),国家商用飞机制造工程技术研究中心创新基金资助项目(SAMC14-JS-15-051)

分类号: TH132.41

页码: 196-204

总页数: 9

文件大小: 2613K

下载量: 1466