重庆理工大学学报2023，Vol.37Issue(13) ：144-152.DOI:10.3969/j.issn.1674-8425(z).2023.07.016

基于多传感器信号融合和残差神经网络的齿轮箱故障诊断

Fault diagnosis of gearboxes based on multi-sensor signal fusion and residual neural network

谢炅宏 陈永鹏 李嘉琳
重庆理工大学学报2023，Vol.37Issue(13) ：144-152.DOI:10.3969/j.issn.1674-8425(z).2023.07.016
✕
  • 国家科技期刊平台
  • NETL
  • NSTL
  • 万方数据

基于多传感器信号融合和残差神经网络的齿轮箱故障诊断

Fault diagnosis of gearboxes based on multi-sensor signal fusion and residual neural network

谢炅宏 1陈永鹏 1李嘉琳1
扫码查看

作者信息

  • 1. 重庆交通大学机电与车辆工程学院,重庆 400074
  • 折叠

摘要

针对齿轮箱齿轮在发生故障时故障信号易被强噪声淹没、信号采集不全面且训练网络冗杂的问题,将融合了多传感器信号和加入注意力机制的残差神经网络引入到齿轮箱齿轮故障诊断中.对多个传感器采集到的信号基于振动信号的方差贡献率进行数据融合,获取齿轮箱更为全面的故障信息;通过小波变换获取信号的时频图,构建故障信号的二维时频信息;利用加入了局部跨信道交互策略(ECA模块)的残差神经网络(ResNet)对不同的故障状态进行学习并分类,在不降低维数的通道级全局平均池化后,分类效果得到明显提升.通过对不同故障类型、不同信噪比、不同工况下的齿轮箱故障信号进行识别分析,并与不同的诊断方法对比,证明了所提方法的可行性且具有很快的识别速率.

关键词

信号融合/故障诊断/通道注意力机制/残差神经网络

Key words

signal fusion/fault diagnosis/channel attention mechanism/residual neural network

引用本文复制引用

基金项目

国家重点研发计划(2020YFE0201000)

重庆市自然科学基金(cstc2021jcyjmsxm1096)

出版年

2023
重庆理工大学学报
重庆理工大学

重庆理工大学学报

CSTPCD北大核心
影响因子：0.567
ISSN：1674-8425
参考文献量9
段落导航相关论文