文献类型：期刊文章

作　　者：陶浩然[1] 许昕[2] 潘宏侠[1,2] 王同[1] 徐轟钊[1]

TAO Haoran;XU Xin;PAN Hongxia;WANG Tong;XU Hongzhao(School of Mechanical Engineering,North University of China,Taiyuan 030051,China;Institute of System Identification and Diagnostic Technology,North University of China,Taiyuan 030051,China)

机构地区：[1]中北大学机械工程学院,山西太原030051 [2]中北大学系统辨识与诊断技术研究所,山西太原030051

出　　处：《机电工程》

基　　金：内燃机可靠性国家重点实验室基金资助项目(skler-201911)。

年　　份：2023

卷　　号：40

期　　号：11

起止页码：1700-1708

语　　种：中文

收录情况：BDHX、BDHX2020、CAS、IC、JST、RCCSE、ZGKJHX、核心刊

摘　　要：在强烈的背景噪声下,如何较好地提取行星齿轮的微弱故障特征,这是行星齿轮故障诊断领域需要解决的难题。针对行星齿轮振动信号的非线性和非平稳性,为了提高其故障诊断的准确性,提出了一种利用遗传算法优化的长短时记忆网络(GA-LSTM)和集合经验模式分解(EEMD)的行星齿轮故障诊断方法。首先,通过试验采集了4种行星齿轮故障类型的振动信号,并采用EEMD方法将行星齿轮的原始振动信号分解为6个本征模态函数(IMF)分量,将其作为特征分量以便进一步处理;然后,使用遗传算法(GA)对LSTM网络的超参数进行了优化,以提高故障类型识别的准确性;最后,将特征分量输入到已经训练好的GA-LSTM模型中,将其网络模型作为最终分类器,对行星齿轮进行了故障诊断识别,并通过对比未经优化的网络,以及在原始信号中人为地加入噪声模拟的实际工程信号,验证了基于EEMD和GA-LSTM算法的有效性和泛化性。研究结果表明:训练后的网络实现了不到2%的损失率,具有良好的稳定性,GA-LSTM方法故障分类精度达到了94.17%;与未经优化的网络相比,GA-LSTM模型的验证精度高于LTSM,该网络模型在所有分量上都表现出更好的时序性能,在识别添加了噪声的工程信号时,也能保持较高的故障诊断精度,从而表明其在行星齿轮故障诊断中的优越性。该研究在提高机械传动设备故障诊断能力方面有一定的理论参考价值。

关 键 词：齿轮传动  强背景噪声  微弱故障特征  集合经验模态分解  长短时记忆网络  分类精度  特征提取  遗传算法  

分 类 号：TH17] TH132.425