应用SDP点对称特征融合图像的行星齿轮箱故障诊断

行星齿轮箱的内部结构复杂，其振动信号呈现非线性、非平稳特点，通过对比两种对原始振动信号处理的方法，应用点对称特征融合图像（Symmetrized Dot Pattern,SDP）达到故障诊断的目的。第一种方法是将采集到的振动信号进行变分模态分解（Variational Mode Decomposition,VMD）并将各阶IMF分量通过SDP转换为极坐标图像；第二种方法是将多测点采集到的原始振动信号直接通过SDP将时频信号转换为极坐标图像；利用卷积神经网络（Convolution Neural Network,CNN）对两种不同方式的SDP图像进行识别分类。通过行星齿轮箱故障实验台验证，结果表明时频融合能够更有效地实现故障诊断且分类准确率高达98.5%。