基于多模态集成卷积神经网络的数控机床齿轮箱故障诊断

针对数控机床齿轮箱在实际工作环境中负载多变且噪声干扰大、传统神经网络难以充分提取信号中的故障特征等问题，提出一种多模态集成卷积神经网络（MECNN）用于数控机床齿轮箱故障诊断。该方法将多模态融合技术与多个卷积神经网络结合，利用快速傅里叶变换方法将时域信号转换成频域信号；利用时域信号和频域信号对2个卷积神经网络进行训练，使模型能够分别从时域和频域2个角度提取特征,再将浅层特征融合；最后，将融合后的特征输入到卷积神经网络中进行故障特征的深度挖掘，并进行故障诊断。使用东南大学的齿轮箱数据集进行验证，设计了2种特征融合的方法并进行了对比。实验结果表明：在噪声下，MECNN模型用于故障诊断的准确性和鲁棒性均优于单一的时域CNN和频域CNN。