典型文献
基于信息融合与CNN的齿轮箱故障诊断方法
文献摘要：
齿轮箱在实际生产中面临复杂多变的工况,其部件的故障特征随工况发生改变,常规方法在变工况下难以有效识别故障.针对该问题,提出一种基于信息融合和卷积神经网络(IFCNN)的故障诊断方法.IFCNN使用多传感器信息融合和多域特征融合改进卷积神经网络(CNN),首先将不同位置的加速度传感器采集到的振动信号转换成频域、时频域信息,将来自不同传感器的信息融合,然后用CNN对故障信号的频域、时频域信息分别进行特征提取和多域特征融合,结合注意力机制选择重要特征进行故障分类.多组实验结果表明,IFCNN在变工况场景下,可有效提取齿轮箱振动信号的故障特征,12组变工况实验平均识别准确率为98.38％,明显高于所提出的对比方法.
文献关键词：
故障诊断;卷积神经网络;多域特征融合;齿轮箱;变工况
中图分类号：
作者姓名：
赵晓平;魏旭全;孙中波;王荣发
作者机构：
南京信息工程大学计算机与软件学院,江苏南京 210044;南京信息工程大学数字取证教育部工程研究中心,江苏南京 210044
文献出处：
引用格式：
[1]赵晓平;魏旭全;孙中波;王荣发-.基于信息融合与CNN的齿轮箱故障诊断方法)[J].测控技术,2022(11):11-19
A类：
B类：
齿轮箱故障诊断,故障诊断方法,故障特征,常规方法,变工况,IFCNN,多传感器信息融合,多域特征融合,改进卷积神经网络,不同位置,加速度传感器,振动信号,信号转换,转换成,时频域,域信息,故障信号,注意力机制,故障分类,有效提取,识别准确率,比方
AB值：
0.222799
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。
