典型文献
基于深度特征融合网络的风电机组行星齿轮箱故障诊断方法
文献摘要：
行星齿轮箱是风电机组中的重要部件,对风电机组的安全可靠运行具有重要意义.为此,提出一种基于深度特征融合网络的行星齿轮箱故障诊断方法,用于实现变速工况、样本不足和强噪声场景下的故障诊断.首先将原始信号扩展到多个特征域.其次利用多维堆栈稀疏自编码器提取各域特征.最后针对传统Softmax分类器对融合信息分类能力不足的问题,提出基于竞争粒子群算法优化的回声状态网络进行特征融合并输出诊断结果.经多场景不同故障诊断方法对比实验,所提方法在行星齿轮箱变速工况下分类效果良好,并对训练样本的减少和外界噪声有很强的鲁棒性.
文献关键词：
行星齿轮箱;故障诊断;多场景;深度学习;堆栈稀疏自编码器;回声状态网络;深度特征融合网络
中图分类号：
作者姓名：
李东东;赵阳;赵耀;蒋海涛
作者机构：
上海电力大学电气工程学院,上海 200090
文献出处：
引用格式：
[1]李东东;赵阳;赵耀;蒋海涛-.基于深度特征融合网络的风电机组行星齿轮箱故障诊断方法)[J].电力系统保护与控制,2022(10):1-10
A类：
B类：
深度特征融合网络,风电机组,行星齿轮箱,齿轮箱故障诊断,故障诊断方法,可靠运行,变速,强噪声,声场,堆栈稀疏自编码器,Softmax,分类器,融合信息,信息分类,竞争粒子群,粒子群算法,算法优化,回声状态网络,出诊,诊断结果,多场景,方法对比,箱变,分类效果,训练样本
AB值：
0.202759
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。
