典型文献
基于A-VMD与CNN的行星齿轮箱智能故障诊断方法研究
文献摘要：
行星齿轮箱复杂的结构和多分量特性会导致其振动信号和频谱异常复杂,而传统的信号处理方法依赖专业人士进行故障特征解释,为此,提出一种全程自动化的故障诊断架构.首先针对故障诊断过程中参数设置对诊断结果影响较大的问题,提出了一种在变分模态分解的基础上建立峭度峰值自适应多敏感分量协同提取特征的自动变分模态分解方法,对行星齿轮箱综合实验平台采集的振动信号进行自适应分解,提取并创建包含部分冗余信息的标准化故障特征向量;然后基于标准化故障特征向量采用卷积神经网络进行训练与智能识别.实验结果表明:提出的方法能够充分发挥变分模态分解与卷积神经网络的优势,训练完成后可以在无需人工设置任何参数的条件下实现行星齿轮箱自动化智能诊断,对太阳轮典型故障的识别准确率可达98.33％.
文献关键词：
行星齿轮箱;变分模态分解;特征提取;自动化诊断;卷积神经网络
中图分类号：
作者姓名：
陆凤清;岳夏;王亚东;翁润庭;张春良
作者机构：
广州大学机械与电气工程学院,广州 510006;广州市机电设备状态监测与控制重点实验室,广州 510006
文献出处：
引用格式：
[1]陆凤清;岳夏;王亚东;翁润庭;张春良-.基于A-VMD与CNN的行星齿轮箱智能故障诊断方法研究)[J].机电工程技术,2022(07):15-19
A类：
B类：
VMD,行星齿轮箱,智能故障诊断,故障诊断方法,多分量,振动信号,信号处理,专业人士,故障特征,征解,诊断过程,参数设置,诊断结果,结果影响,变分模态分解,峭度,协同提取,提取特征,分解方法,综合实验平台,冗余信息,特征向量,智能识别,智能诊断,太阳轮,典型故障,识别准确率,自动化诊断
AB值：
0.262167
相似文献
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。
