时频特征提取与差异性强化及其在变转速工况下行星齿轮箱模式识别中的应用研究

摘要：

时变工况下行星齿轮箱的故障诊断仍然是一个热点问题.时频分析可以揭示非平稳信号的时变频率成分,但结果易受主观因素的影响.此外,不同类别的时频特征存在特征重叠现象,对智能诊断模型的性能产生不利影响.针对上述问题,提出了一种对抗自监督推理模型(Adversarial auto-supervised inference,AAsI),旨在实现时频特征自适应提取并强化不同类别特征间差异.首先,利用时频分析方法获得时频图像作为编码器输入.使用高斯混合分布构建可视化和分类良好的样本作为解码器的输入.之后,结合类别标签信息,探索一种对抗性机制,用于独立训练编码器和解码器,从而减少计算干扰,使提取的特征与分类良好的样本相似,同时以最小化均方误差为约束重构原始信号.最后,通过特征训练和测试Softmax分类器.该方法通过行星齿轮箱实验数据集进行了验证.结果表明,AAsI能够自适应提取时频特征并强化特征间差异,性能优于对抗学习推理、自动编码器和变分自动编码器.此外,在该数据集上基于不同时频分析方法AAsI准确率均高于98％.

关键词：行星齿轮箱、智能诊断、对抗自监督推理、时变工况

所属期刊栏目：33

分类号：TP3(计算技术、计算机技术)

资助基金：教育部国家留学基金;NCIAE博士科研启动基金资助项目;廊坊市科技局研究发展计划;廊坊市科技局研究发展计划

在线出版日期：2023-11-27（万方平台首次上网日期，不代表论文的发表时间）

页数：共3页

页码：14-16