机械工程学报

作者：叶壮, 余建波

单位：同济大学机械与能源工程学院 上海 201804

关键词：齿轮箱故障诊断,多通道信号,特征学习,卷积神经网络,信息融合；

基金：国家自然科学基金（71777173）、上海科委“科技创新行动计划”高新技术领域项目（19511106303）和中央高校基本业务经费资助项目。

为了解决单通道振动信号输入不能全面表达故障特征信息及齿轮箱故障早期诊断问题，提出了一种新的深度神经网络（Deep neural network，DNN）模型—多通道加权卷积神经网络（Multi-channels weighted convolutional neural network，MCW-CNN），并应用于齿轮箱振动信号特征学习和故障诊断。首先，采用经验模态分解（Empirical mode decomposition，EMD）对振动信号进行处理，得到多通道一维信号突出振动信号的故障特征，并将其转化为多通道图像输入，从而充分发挥CNN在图像特征提取上的优良性能，将齿轮箱故障诊断问题进一步转化为CNN更为擅长的多通道图像识别问题；其次，针对各通道图像频率和带宽的不同，在卷积层采用动态感受野进行图像特征提取，全面提取多通道图像特征细节；针对各通道图像携带冲击特征的强弱不同，提出了基于峭度加权的多通道融合方法，增强了冲击特征强的通道故障特征。最后，通过故障诊断仿真试验和齿轮箱故障诊断试验验证所提方法的有效性。试验结果表明，MCW-CNN可有效提取振动信号的故障特征，识别正确率明显高于典型的深度学习方法和传统的分类器。

来源：2021年第1期

《机械工程学报》期刊编辑部

查看机械工程学报杂志2021年第1期