基于优化变分模态分解和卷积神经网络的齿轮故障诊断

发布时间：2024-04-02 23:13

　　针对齿轮振动信号具有非稳定特性、为了实现减速机齿轮箱的智能诊断且变分模态分解(VMD)参数组合[K,α]的大小需要使用者反复尝试而不能有效确定的问题,提出了一种改进的遗传算法(MGA)对变分模态分解参数优化选取方法,在此基础上将优化的VMD与深度卷积神经网络(DCNN)结合。提出了优化VMD与DCNN齿轮智能故障诊断方法,首先用优化后的VMD对信号进行分解,其次采用DCNN进行故障模式识别。最后,将该方法应用于实例中,结果表明,该方法不仅有效地对信号进行分解和对齿轮故障类型可达到精准识别,同时还可诊断齿轮轻度磨损的早期故障。

【文章页数】：6 页

【部分图文】：

图1基于改进遗传算法的VMD参数优化

对于一个复合信号,经过VMD根据信号自身的频率特性划分频带,最终实现了信号的自适应分解。1.2改进遗传算法

图2基于MGA优化的VMD分解流程图

本文基于改进的遗传算法,利用边际谱函数为判据对目标函数进行全局范围的并行搜索,以此准确地获取VMD最优参数[K,α]组合,从而实现自适应确定K值和α值。其具体实现流程图如图2所示。1.4卷积神经网络(CNN)

图3卷积神经网络基本结构图

本文在经典卷积神经网络模型的基础上,优化得到一维卷积神经网络模型如图3所示的,优化后的结构由输入层、卷积层、池化层、全连接层和输出层组成。输入为一维振动信号;由于卷积神经网络的学习能力与层数正相关,网络结构越深,特征学习和分类效果越强[20],因此设计了CNN层组由4层卷积层和4....

图4齿轮故障诊断的流程图

齿轮传动结构复杂,实际工程中不同类型的振动耦合导致齿轮的故障机理受多种因素影响,而且常常伴有大量噪声。为了提高齿轮故障信号的信噪比,保证小样本下的CNN诊断模型对故障状态仍具有良好的特征学习和识别性能[23],因此本文提出了基于改进遗传算法对VMD参数优化的变分模态分解与卷积神经....

本文编号：3946346