机械工程学报

作者：彭鹏, 柯梁亮, 汪久根

单位：浙江大学机械工程学院 杭州 310027

关键词：RV减速器,噪声干扰,输入Dropout,多尺度卷积核,故障诊断；

基金：国家高技术研究发展计划（863计划，2015AA043002）、国家自然科学基金（51375436）和浙江省重大科技专项（2017C01047）资助项目。

在实际工况下，旋转矢量（Rotate vector，RV）减速器的振动信号往往掺杂噪声。被噪声污染后的振动信号给RV减速器的故障诊断带来挑战。为此，提出一种噪声干扰下的卷积神经网络模型（Anti-noise network，ANNet）以实现RV减速器的故障模式识别。该模型首先将一维振动信号通过信号堆叠的方式转化成二维灰度图像，然后采用Dropout操作直接对原始输入信号进行随机干扰，并同时利用多个不同尺度的卷积核对输入信号的不同特征进行自动提取和融合。进一步将ANNet算法与其他算法进行了对比分析，结果表明在不同强度的噪声干扰下，ANNet算法相比于其他算法具有更强的抗噪干扰能力；尤其是在强噪干扰环境下，ANNet模型的诊断准确率比现有算法高出10%～20%。最后探讨和解释了模型的特殊结构设计以及模型具备抗噪能力的原因。

来源：2020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2020年第1期