10.13465/j.cnki.jvs.2020.20.008
基于多通道一维卷积神经网络特征学习的齿轮箱故障诊断方法
为了解决单通道图像信号输入不能全面表达故障特征的问题,提出基于多通道一维卷积神经网络(MultiChannel One-dimensional Convolutional Neural Network.MC-1DCNN)的故障特征学习方法.利用经验模态分解(Empirical Mode Decomposition,EMD)方法对信号进行处理,得到多通道一维信号;构建MC-1DCNN模型,对多通道一维信号进行特征提取.在MC-1DCNN的全连接层后接堆叠降噪自编码器(Stacked Denoised Autoencoder,SDAE)层,进一步进行维度缩减和特征提取并实现特征分类.通过某型号齿轮箱故障诊断实验对所提方法进行验证,实验结果表明,所提方法的特征提取能力和故障诊断效果显著优于典型的深度学习方法和机器学习分类器.
齿轮箱故障诊断、多通道信号、卷积神经网络、堆叠降噪自编码器、特征学习
39
TH165
国家自然科学基金;上海科委“科技创新行动计划”高新技术领域项目;中央高校基本业务经费项目
2020-11-20(万方平台首次上网日期,不代表论文的发表时间)
共12页
55-66