典型文献
基于MEEMD-SDP图像特征和DRN的行星齿轮箱故障诊断
文献摘要：
在行星齿轮箱齿轮的实际工程应用中,针对故障发生的早期阶段,其非平稳性、非线性振动特征信号导致故障诊断准确率低的问题,提出了一种基于MEEMD-SDP图像特征和深度残差网络的齿轮故障诊断方法.首先,采用了改进的集总平均经验模态分解(MEEMD)方法对齿轮振动信号进行了分解,获得了能够反映齿轮振动信号信息的固有模态函数(IMF);然后,通过对称点图案(SDP)分解方法提取了IMF分量,将其变换到极坐标下的雪花图像特征,并组成了特征向量;最后,引入深度残差网络(DRN)模型,实现了对行星齿轮箱齿轮不同故障的识别与分类,同时将其与卷积神经网络(CNN)模型进行了对比,并在东南大学公开的齿轮箱数据集上进行了不同模型对齿轮状态故障识别准确率的对比实验.研究结果表明:SDP图像特征能够全面表征齿轮的状态信息,相较于CNN模型,采用DRN模型对齿轮进行诊断得到的平均准确率有明显提高,可达到98.1％,能验证基于MEEMD-SDP图像特征和深度残差网络方法的有效性;研究结果对提升现有行星齿轮箱齿轮故障识别的准确率具有一定的价值.
文献关键词：
齿轮传动;固有模态函数;改进的集总平均经验模态分解;对称点图案;图像特征;深度残差网络
中图分类号：
作者姓名：
陈友广;陈云;谢鲲鹏
作者机构：
苏州健雄职业技术学院,江苏 苏州215411;重庆大学 机械传动国家重点实验室,重庆400030;重庆华数机器人有限公司,重庆400714
文献出处：
引用格式：
[1]陈友广;陈云;谢鲲鹏-.基于MEEMD-SDP图像特征和DRN的行星齿轮箱故障诊断)[J].机电工程,2022(05):662-667
A类：
改进的集总平均经验模态分解,对称点图案
B类：
MEEMD,SDP,图像特征,DRN,行星齿轮箱,齿轮箱故障诊断,实际工程应用,早期阶段,非平稳性,非线性振动,振动特征,特征信号,故障诊断准确率,深度残差网络,齿轮故障诊断,故障诊断方法,振动信号,固有模态函数,IMF,分解方法,换到,极坐标,雪花,特征向量,识别与分类,东南大学,轮状,识别准确率,状态信息,平均准确率,齿轮故障识别,齿轮传动
AB值：
0.221254
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
