文献类型：期刊文章

作　　者：胡茑庆[1,2] 陈徽鹏[1,2] 程哲[1,2] 张伦[1,2] 张宇[1,2]

HU Niaoqing;CHEN Huipeng;CHENG Zhe;ZHANG Lun;ZHANG Yu(College of Mechatronics and Automation, National University of Defense Technology, Changsha 410072;Laboratory of Science and Technology on Integrated Logistics Support,National University of Defense Technology, Changsha 410072)

机构地区：[1]国防科技大学智能科学学院,长沙410072 [2]国防科技大学装备综合保障技术重点实验室,长沙410072

出　　处：《机械工程学报》

基　　金：国家自然科学基金(51475463,51775550);湖南省自然科学基金(2018JJ3604)资助项目

年　　份：2019

卷　　号：55

期　　号：7

起止页码：9-18

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CAS、CSA、CSA-PROQEUST、CSCD、CSCD2019_2020、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：行星齿轮箱振动信号具有非平稳特性,需要一定的先验知识和诊断专业知识设计和解释特征从而实现故障诊断。为了实现行星齿轮箱的智能诊断,提出一种基于经验模态分解(Empirical mode decomposition, EMD)和深度卷积神经网络(Deepconvolutional neural network, DCNN)的智能故障诊断方法。首先对振动信号进行经验模态分解得到内禀模式函数(Intrinsicmode function, IMF);然后利用DCNN融合特征信息明显的IMF分量,并自动提取特征;最后,将特征用于分类器分类识别,从而实现行星齿轮箱故障诊断的自动化。试验结果表明:该方法能准确、有效地对行星齿轮箱的工作状态和故障类型进行分类。

关 键 词：故障诊断 经验模态分解 深度卷积神经网络  行星齿轮箱

分 类 号：TH17]