| 噪声干扰下基于二维特征图和深度残差收缩网络的齿轮箱故障诊断 |
| |
| 引用本文： | 李晓峰,向辉,杨青桦.噪声干扰下基于二维特征图和深度残差收缩网络的齿轮箱故障诊断[J].机床与液压,2022,50(7):187-191. |
| |
| 作者姓名： | 李晓峰 向辉 杨青桦 |
| |
| 作者单位： | 重庆工商职业学院智能制造与汽车学院,重庆401520,重庆青山工业有限责任公司,重庆402761 |
| |
| 基金项目： | 重庆市教委科学技术研究项目;重庆工商职业学院科学研究重点项目 |
| |
| 摘 要： | 针对噪声环境下一维卷积神经网络单一卷积拓扑结构难以准确诊断齿轮箱故障的难题,提出一种基于二维特征图和深度残差收缩网络(TM-DRSN)的故障诊断方法。根据采集到的齿轮箱振动信号,基于重叠采样方法获取故障数据样本,并分为训练集和测试集;基于横向插样法将一维数据样本构建成便于DRSN输入的二维特征图,在DRSN输入层构建宽卷积核层作为第一特征提取层;将残差收缩模块加入深度卷积神经网络中替换由传统卷积和池化组成的特征提取层;叠加多个残差收缩模块得到深度残差收缩网络模型;将构建的DRSN用于噪声环境下的轴承故障诊断试验。结果表明:TM-DRSN方法的故障诊断精度优于其他对比方法。
|
| 关 键 词： | 齿轮箱故障诊断 二维特征图 深度残差收缩网络 |
Gearbox Fault Diagnosis Based on Two-Dimensional Feature Map and Deep Residual Contraction Network with Noise Interference |
| |
| LI Xiaofeng,XIANG Hui,YANG Qinghua.Gearbox Fault Diagnosis Based on Two-Dimensional Feature Map and Deep Residual Contraction Network with Noise Interference[J].Machine Tool & Hydraulics,2022,50(7):187-191. |
| |
| Authors: | LI Xiaofeng XIANG Hui YANG Qinghua |
| |
| Abstract: | |
| |
| Keywords: | Gearbox fault diagnosis Two-dimensional feature map Deep residual shrinkage network |
| 本文献已被 维普 万方数据 等数据库收录！ |
| 点击此处可从《机床与液压》浏览原始摘要信息 |
|
点击此处可从《机床与液压》下载全文 |
