文献类型：期刊文章

作　　者：冯贺平[1] 杨敬娜[1] 吴梅梅[2] 薛林雁[3] 王德永[4]

FENG Heping;YANG Jingna;WU Meimei;XUE Linyan;WANG Deyong(Department of Intelligent Engineering,Hebei Institute of Software Technology,Baoding 071030,Hebei,China;Department of Network Engineering,Hebei Institute of Software Technology,Baoding 071030,Hebei,China;College of Quality and Technical Supervision,Hebei University,Baoding 071000,Hebei,China;Department of Design,Xinhuachang(Beijing)Electronic Technology Co.,Ltd.,Beijing 030002,China)

机构地区：[1]河北软件职业技术学院智能工程系,河北保定071030 [2]河北软件职业技术学院网络工程系,河北保定071030 [3]河北大学质量技术监督学院,河北保定071000 [4]芯华创(北京)电子科技有限公司设计部,北京030002

出　　处：《中国工程机械学报》

基　　金：河北省高等学校科学技术研究基金项目(ZD2022068);河北省教育厅青年基金项目(QN20131137);河北省教育厅项目(Z2017122)。

年　　份：2023

卷　　号：21

期　　号：2

起止页码：172-177

语　　种：中文

收录情况：BDHX、BDHX2020、ZGKJHX、核心刊

摘　　要：齿轮箱故障诊断存在变速工况、样本数量偏少以及会形成强噪声情况,提出了一种通过多尺度特征融合网络(MFFN)实现故障诊断技术。对初始时域信号拓展形成多特征域,建立造多维堆栈稀疏自编码器(MSSA)对不同特征域进行故障采集,通过粒子群算法优化回声状态网络(IESN)进行信号处理。研究结果表明:样本充足条件下,MFFN模型诊断时,定速工况为99.15%,变速工况为98.46%,达到了更高准确率并降低了标准差。在样本不足条件下,深度特征融合网络(DEFN)和MFFN对于样本数量减少表现出了优异鲁棒性,MFFN达到了更优的性能。在噪声干扰场景下,采用MFFN依然能够达到85%的准确率。该算法具备更优抗干扰性能,采用多维特征提取能够更好地适应处于强噪声干扰环境。该研究为实现传动系统的稳定运行提供了理论参考。

关 键 词：齿轮箱 故障诊断  深度学习  多堆栈稀疏自编码器(MSSA)  多尺度特征融合网络(MFFN)  

分 类 号：TH137]