机械设计与制造2023，Vol.387Issue(5) ：41-50.

基于低阶加权与卷积稀疏学习的齿轮箱故障诊断

Gearbox Fault Diagnosis Based on Low-Order Weighting and Convolution Sparse Learning

王帅旗 张焕可 陈会涛
机械设计与制造2023，Vol.387Issue(5) ：41-50.
✕
  • NETL
  • NSTL
  • 维普
  • 万方数据

基于低阶加权与卷积稀疏学习的齿轮箱故障诊断

Gearbox Fault Diagnosis Based on Low-Order Weighting and Convolution Sparse Learning

王帅旗 1张焕可 1陈会涛2
扫码查看

作者信息

  • 1. 许昌电气职业学院机电工程系,河南 许昌 461000
  • 2. 河南理工大学机械与动力工程学院,河南 焦作 454003
  • 折叠

摘要

为了提升在噪声与复杂传递路径调制下齿轮箱故障诊断的精度,提出了 一种基于低阶加权与卷积稀疏学习的齿轮箱两阶段源特征恢复方法.首先利用源特征的周期性自相似性结构,设计了一种低阶加权模型,当两种波形耦合在同一频带内时,可以有效地区分调制波和干扰波.然后采用卷积滤波器直接描述传输路径的调制过程,保证了脉冲源包络的可靠恢复.同时,通过非负有界稀疏先验保证了反褶积能力.最后数值仿真与风力发电机组实验结果证明了低阶模型主能够分离聚焦特征波形,卷积稀疏学习能够突出脉冲源特征,从而有效提升齿轮箱的故障诊断精度.

关键词

齿轮箱/故障诊断/卷积稀疏学习/低阶加权模型

引用本文复制引用

基金项目

2018年度河南省重点研发与推广专项(182102310793)

出版年

2023
机械设计与制造
辽宁省机械研究院

机械设计与制造

CSTPCD北大核心
影响因子：0.511
ISSN：1001-3997
参考文献量15
段落导航相关论文