GADF和改进CNN的齿轮箱复杂环境下故障诊断

作     者：刘成义 董绍江 唐倩 邓文亮 LIU Cheng-yi;DONG Shao-jiang;TANG Qian;DENG Wen-liang

作者机构：重庆科创职业学院重庆402160 重庆交通大学重庆400074 重庆大学机械传动国家重点实验室重庆400030 

出 版 物：《机械设计与制造》 (Machinery Design & Manufacture)

年 卷 期：2024年第403卷第9期

页      面：92-96,103页

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 08[工学] 0802[工学-机械工程] 080201[工学-机械制造及其自动化] 

基　　金：国家自然科学基金(51775072) 重庆市科委基础与前沿项目(CSTC2017JCYJAX0279) 

主　　题：齿轮箱故障诊断 格拉姆角差场 注意力机制 卷积神经网络 

摘      要：针对齿轮箱同时处于变负载和含有噪声的复杂环境下的故障诊断难题,提出一种基于格拉姆角差场(Gram Angle Difference Field,简称GADF)和改进的具有多注意力机制的卷积神经网络(Multiple Attention Mechanism Convolutional Neural Network,简称MACNN)的齿轮箱故障诊断方法。首先将采集得到齿轮箱的一维振动信号的故障数据集进行预处理;然后通过格拉姆角差场将一维数据集转为二维图像数据;其次,将二维数据集数输入到改进的带有多注意力机制的卷积神经网络模型中进行训练;最后采用Softmax对齿轮箱故障数据集进行分类。通过试验验证,这里所提的方法在两个负载数据集上都可以达到99.80%以上,改进之后的模型训练效率更高、耗时更短,同时这里所提方法也优于一些已经发表的齿轮箱故障诊断的方法,此外本方法对齿轮箱在同时处于变负载和噪声的复杂环境中,依然有着较强的故障诊断能力。