基于CWT-CNN的齿轮箱运行故障状态识别
Journal of Aerospace Power(2021)
摘要
针对传统故障诊断中提取的特征不具有自适应能力、很难匹配特定故障的问题,提出了一种基于连续小波变换(CWT)和二维卷积神经网络(CNN)的齿轮箱故障诊断方法.该方法对齿轮箱故障振动信号采用连续小波变换构造其时频图,以其为输入构建卷积神经网络模型,通过多层卷积池化形成深层分布式故障特征表达.利用反向传播算法调整网络各层的结构参数,使模型建立从信号特征到故障状态之间的准确映射.在不同工况和不同故障状态下的实验中,故障识别准确率达到了99.2%,验证了方法有效性.采用这种自适应学习信号中丰富的信息的方法,可以为故障诊断智能化提供基础.
更多AI 理解论文
溯源树
样例
![](https://originalfileserver.aminer.cn/sys/aminer/pubs/mrt_preview.jpeg)
生成溯源树,研究论文发展脉络
Chat Paper
正在生成论文摘要