基于GAF-Alexnet-ELM的齿轮箱故障诊断方法

摘要：

针对齿轮箱在噪声、转速、加载电流变化的情况下故障诊断模型泛化性能差的问题,提出一种GAF-Alexnet-ELM的齿轮箱故障诊断模型.利用格拉姆角场(GAF)的方法将齿轮箱的振动信号转化为二维图像,将二维图像压缩至适当大小,再输入卷积神经网络(Alexnet)进行特征提取,最后将Alexnet提取的特征放入极限学习机(ELM)进行故障识别.为了验证模型性能,采用千鹏公司QPZZ-II旋转机械振动分析及故障诊断试验平台系统的数据集进行齿轮箱故障诊断分析,同时进行多组对比实验,验证不同模型的故障诊断性能和泛化性能.结果表明,该模型故障识别准确率达到了96.33％;在噪声、转速、加载电流变化的情况下,故障识别准确率也较高,证明了所提方法具有良好的故障诊断效果和泛化性能.

关键词：齿轮箱、故障诊断、格拉姆角场、卷积神经网络、极限学习机

所属期刊栏目：61

分类号：TH132.46

在线出版日期：2023-05-26（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：81-86