一種GAF-CNN行星齒輪箱故障診斷方法_第1頁
一種GAF-CNN行星齒輪箱故障診斷方法_第2頁
一種GAF-CNN行星齒輪箱故障診斷方法_第3頁
全文預覽已結(jié)束

下載本文檔

版權(quán)說明：本文檔由用戶提供并上傳，收益歸屬內(nèi)容提供方，若內(nèi)容存在侵權(quán)，請進行舉報或認領(lǐng)

文檔簡介

一種GAF-CNNFNN的行星齒輪箱故障診斷方法。該方法首先利用小波包分解對行星齒輪箱振動信號進行特征提取，然后采用r類。實驗結(jié)果表明，該方法能夠有效地識別行星齒輪箱的故障類型，具有良好的應用前景。電力等領(lǐng)域。然而，齒輪箱在長期運行中會出現(xiàn)各種故障，如齒輪損傷、軸承故障、齒面疲勞、軸扭等，這些故障會對行星齒輪箱的正常運行造FNN的行星齒輪箱故障診斷方法。該方法首濾波器將特征轉(zhuǎn)換成圖像形式。最后，利用深度卷積神經(jīng)網(wǎng)絡對圖像進行分類，以實現(xiàn)對行星齒輪箱故障的自動化診斷。振動信號。采樣頻率為10kHz，采集時間為10秒。Gabor為了將小波包系數(shù)轉(zhuǎn)換成圖像形式，采用Gabor濾波器。Gabor濾波器是一種基于Gabor函數(shù)的濾波器，可以將信號轉(zhuǎn)換成一幅圖像，以16Gabor濾波器，在不同的頻率和方向方面進行濾波，得到16張小波包系數(shù)圖像。VGG16的卷積神經(jīng)網(wǎng)絡，其中包括13個卷積層和3個全連接層。在訓練0.010.9。GAF-CNN方法的有效性，本文進行了實驗。將采集到的振動數(shù)據(jù)集分為正常組和故障組，其中正常組有100個樣本，故障組有1204種故障類型。損傷、疲勞、軸扭和軸承故障的平均分類準確率分別為90.4%、89.6%、87.8%和84.4%。ROC為了進一步評估GAF-CNN的分類效果，本文繪制了ROC曲線，并AUCAUC0.94，說明該方法具有FNNr濾波器對特征進行圖像化。最后，利用深度卷積神經(jīng)網(wǎng)絡對圖像進行分類以實現(xiàn)對行星齒輪箱故障的自動化診斷。

溫馨提示

  • 1. 本站所有資源如無特殊說明，都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等，如果需要附件，請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙，網(wǎng)頁內(nèi)容里面會有圖紙預覽，若沒有圖紙預覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 人人文庫網(wǎng)僅提供信息存儲空間，僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理，對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯，并不能對任何下載內(nèi)容負責。
  • 6. 下載文件中如有侵權(quán)或不適當內(nèi)容，請與我們聯(lián)系，我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論