典型文献
基于一维深度残差收缩网络的汇流行星排齿轮裂纹故障诊断
文献摘要:
装甲车辆汇流行星排出现裂纹时,箱体表面振动信号干扰较多,常见的故障诊断方法存在偏差.为此,提出一种利用一维深度残差收缩网络的汇流行星排齿轮裂纹故障诊断模型;其特点是将注意力机制与软阈值化结合,增强有用信息,抑制冗余信息,并将其引入到残差神经网络中,显著提高模型特征提取的能力;为验证该模型的可行性,采集了行星轮四种不同程度裂纹的振动信号作为样本用于故障诊断.结果表明,针对汇流行星排齿轮箱振动信号该方法可以在更短的时间取得更高的准确率,相较其他方法,可以取得更好的分类结果.
文献关键词:
深度学习;汇流行星排;故障诊断
中图分类号:
作者姓名:
田钦文;冯辅周;李鸣;陈晓明;朱俊臻;胡浩;宋超
作者机构:
中国人民解放军31628部队,广东韶关 512000;陆军装甲兵学院,北京 100072
文献出处:
引用格式:
[1]田钦文;冯辅周;李鸣;陈晓明;朱俊臻;胡浩;宋超-.基于一维深度残差收缩网络的汇流行星排齿轮裂纹故障诊断)[J].振动与冲击,2022(19):198-206
A类:
汇流行星排
B类:
深度残差收缩网络,齿轮裂纹,裂纹故障,装甲车辆,箱体,振动信号,信号干扰,故障诊断方法,故障诊断模型,注意力机制,软阈值化,冗余信息,残差神经网络,模型特征,行星轮,齿轮箱,其他方法
AB值:
0.212955
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。