10.15918/j.tbit1001-0645.2020.064
一种GAF-CNN行星齿轮箱故障诊断方法
为将深度学习识别2D图像的优势应用于行星齿轮箱故障诊断,提出一种格拉姆角场-卷积神经网络行星齿轮箱故障诊断模型.利用格拉姆角场中的格拉姆角差场和格拉姆角和场两种方法,将行星齿轮箱振动信号转化为2D图像,提取图像特征并输入优化后的卷积神经网络模型,最终获得理想的识别精度.通过研究网络参数、不同网络层对故障诊断模型的影响,构建模型的最优组合.试验和对比结果表明,格拉姆角差场卷积神经网络比格拉姆角和场卷积神经网络具有更高的识别精度,在行星齿轮箱故障诊断方面的效果优于其他智能算法.
行星齿轮箱、故障诊断、图像编码、格拉姆角场、卷积神经网络
40
TH17
国家青年科学基金资助项目;山西省自然科学基金资助项目
2020-12-30(万方平台首次上网日期,不代表论文的发表时间)
共7页
1161-1167