基于多通道融合多尺度自适应残差学习的行星齿轮箱故障诊断研究

作者：陈奇,陈长征,安文杰 日期：2023-09-20/span> 浏览：1189 查看PDF文档

摘要:针对风电机组行星齿轮箱振动激励源多、故障诊断精度低的问题,提出了一种基于多通道融合多尺度动态自适应残差学习(MCMSDARL)的行星齿轮箱故障诊断方法。首先,采用多尺度动态自适应卷积神经网络(MSDAC)对不同尺度卷积核权重进行了动态调整,自适应提取了单通道数据的局部和全局特征;其次,通过将MSDAC与残差学习结合,提升了模型的学习能力;最后,采用MCMSDAR将多通道数据的多尺度特征进行了融合,输入到SoftMax层,实现了故障识别与分类。研究结果表明:基于MC-MSDAR的方法进行行星齿轮箱故障诊断的准确率为97%,验证了该方法的有效性;通过与其他深度学习方法进行对比,该方法具有更好的泛化能力。

关键词:故障诊断;风电机组;行星齿轮箱;残差学习;多尺度学习;多尺度动态自适应卷积神经网络

中图分类号:TH132.41;TM315文献标识码:A文章编号:1001-4551(2023)07-1031-08

本文引用格式:

陈奇,陈长征,安文杰.基于多通道融合多尺度自适应残差学习的行星齿轮箱故障诊断研究［J］.机电工程,2023,40(7):1031-1038.

CHEN Qi, CHEN Chang-zheng, AN Wen-jie. Fault diagnosis of planetary gearbox based on multichannel fusion and multi-scale adaptive residual learning［J］.Journal of Mechanical & Electrical Engineering, 2023,40(7):1031-1038.