《机电工程》杂志,月刊( 详细... )

中国标准连续出版物号 ISSN 1001-4551 CN 33-1088/TH
主办单位浙江省机电集团有限公司
浙江大学
主编赵 群
副 主 编唐任仲、罗向阳(执行主编)
总 经 理罗向阳
出 版浙江《机电工程》杂志社有限公司
地 址杭州市上城区延安路95号浙江省机电集团大楼二楼211、212室
电话Tel+86-571-87041360、87239525
E-mailmeem_contribute@163.com
国外发行中国国际图书贸易总公司
订阅全国各地邮局   国外代号M3135
国内发行浙江省报刊发行局
邮发代号32-68
广告发布登记证:杭上市管广发G-001号

在线杂志

当前位置: 机电工程 >>在线杂志

基于BPSO-M1DCNN的行星齿轮箱故障诊断方法研究

作者:郭永伦,吴国新,刘秀丽,等 日期:2021-12-22/span> 浏览:904 查看PDF文档

基于BPSO-M1DCNN的行星齿轮箱故障诊断方法研究*
郭永伦,吴国新*,刘秀丽,徐小力

(北京信息科技大学 现代测控技术教育部重点实验室,北京 100192)


摘要:采用卷积神经网络对旋转部件进行故障诊断时,其对多尺度的故障特征利用有限,且网络层结构和超参数调试费时费力,针对上述问题,提出了一种基于离散二进制粒子群优化多尺度一维卷积神经网络的BPSO-M1DCNN算法。首先,对M1DCNN网络进行了初始化设计,采用了BPSO算法自适应调整超参数和网络结构构建BPSO-M1DCNN网络;然后,将原始振动数据输入BPSOM1DCNN网络,进行了特征学习和提取,将学习到的故障特征进行了分类输出;最后,将该算法应用于行星齿轮箱的故障诊断试验,并将其结果与用BPSO-BP神经网络、一维卷积神经网络、M1DCNN网络的结果进行了对比分析,利用变化曲线表示M1DCNN网络、BPSO-M1DCNN网络的正确率和损失率,采用混淆矩阵显示各类故障诊断精度,并利用T-SNE算法对其特征学习过程进行了可视化。研究结果表明:相比BPSO-BP神经网络、1DCNN网络、M1DCNN网络,基于BPSO-M1DCNN网络的行星齿轮箱测试集的平均准确率均有一定提升,应用于行星齿轮箱故障的诊断效果较好。

关键词:行星齿轮箱;故障诊断;多尺度一维卷积神经网络;二进制粒子群优化

中图分类号:TH132.41;TH17文献标识码:A文章编号:1001-4551(2021)10-1277-07


郭永伦,吴国新,刘秀丽,等.基于BPSO-M1DCNN的行星齿轮箱故障诊断方法研究[J].机电工程,2021,38(10):1277-1283.





友情链接

浙江机械信息网