摘要
行星齿轮常被应用于大型机电装备传动系统中,但是极端恶劣工况导致其故障频发,研究行星齿轮故障诊断有助于预知性维护,提高机电装备运行效率和可靠性.提出了 一种结合双树复小波变换(Dual-Tree Complex Wavelet Trans-form,DTCWT)多尺度联合熵特征和卷积神经网络(Convolutional Neural Network,CNN)的故障诊断方法.利用相比于普通小波变换更高级的DTCWT,将行星齿轮故障激励的特征信息分解到不同的信号分量中,结合多尺度粗粒化、频谱熵和能量熵,实现多尺度联合熵特征量化,最终结合CNN实现行星齿轮故障类型识别.通过实验验证分析,证明所提出的方法识别率达到94.5％,具有较好的诊断效果.
基金项目
国家自然科学基金(51605138)
中国博士后科学基金特别资助项目(2018T110568)
NETL
NSTL
维普
万方数据