基于BPSO-M1DCNN的行星齿轮箱故障诊断方法研究*

郭永伦,吴国新,刘秀丽,徐小力

(北京信息科技大学 现代测控技术教育部重点实验室,北京 100192)

0 引 言

目前,轴承、行星齿轮被广泛应用于风电机组、航空设备等各种机电设备中,但由于其所处的环境恶劣,容易出现磨损、裂纹、断齿等故障。传统的故障诊断方法经常难以满足现代机电设备中轴承和行星齿轮故障识别的要求。因此,对其进行故障诊断方法的深入研究,对于提高机电设备运行可靠性具有重要的作用。

传统故障诊断方法一般包括两个步骤,首先对信号进行预处理和特征提取操作,其次将人工提取的特征输入到采用传统浅层机器学习算法的分类器中,以完成对故障种类的识别,诸如支持向量机(support vector machines,SVM)[1-3]、BP神经网络[4,5]等。上述的研究方法虽然诊断精度较高,但特征提取需要人工操作,因而其泛化性比较差;且上述方法又将故障特征提取和识别割裂为了两部分。

与传统算法相区别,深度学习依靠复合结构以及不同权重比例连接,能够识别并提取故障的本质特征,学习能力更是强大。作为常见的深度学习算法,卷积神经网络(CNN)[6,7]依靠其权值共享、稀疏链接等特点使其特征学习能力强,泛化能力高,因而越来越多的专家学者将其应用到了故障检测和识别领域。文献[8-10]将滚动轴承的振动信号转换为二维特征图谱,输入到CNN中进行故障分类识别,实现了良好的故障分类效果。

以上研究证明了CNN在解决故障诊断问题方面是有实际效果的……