振动与冲击2021，Vol.40Issue(20) ：271-277.DOI:10.13465/j.cnki.jvs.2021.20.034

基于LSTM神经网络和故障特征增强的行星齿轮箱故障诊断

Fault diagnosis of planetary gearboxes based on LSTM neural network and fault feature enhancement

樊家伟 郭瑜 伍星 陈鑫 林云
振动与冲击2021，Vol.40Issue(20) ：271-277.DOI:10.13465/j.cnki.jvs.2021.20.034
✕
  • NETL
  • NSTL
  • 维普
  • 万方数据

基于LSTM神经网络和故障特征增强的行星齿轮箱故障诊断

Fault diagnosis of planetary gearboxes based on LSTM neural network and fault feature enhancement

樊家伟 1郭瑜 1伍星 1陈鑫 1林云1
扫码查看

作者信息

  • 1. 昆明理工大学机电工程学院,昆明650500
  • 折叠

摘要

针对支持向量机、深度学习等人工智能算法在齿轮箱故障诊断应用上的不足,提出一种基于长短时记忆(long short-term memory,LSTM)神经网络和故障特征增强的行星齿轮箱故障智能诊断方法.该方法对行星齿轮箱不同局部故障振动信号进行滑动加窗截取,对截取的每段信号分别做快速傅里叶变换并选取包含故障特征丰富的频段实现对故障特征的增强,并以该数据作为输入对LSTM神经网络进行训练,通过训练完成的LSTM神经网络模型智能提取所选频段内的故障特征并实现行星齿轮箱不同局部故障的识别诊断.试验结果表明该方法可以有效诊断行星齿轮箱不同局部故障,并能提高网络模型的故障识别率.

关键词

行星齿轮箱/故障特征增强/LSTM神经网络/故障诊断

引用本文复制引用

基金项目

国家自然科学基金(51675251)

出版年

2021
振动与冲击
中国振动工程学会 上海交通大学 上海市振动工程学会

振动与冲击

CSTPCDCSCD北大核心
影响因子：0.898
ISSN：1000-3835
被引量16
参考文献量10
段落导航相关论文