一种基于混合深度学习的振动式齿轮故障诊断方法,应用于剪床摇臂系统
作者:Joshua Fenuku, Hua Ding, Gertrude Selase Gosu, Xiaochun Sun, Ning Li
《Electronics》:Hybrid Deep Learning Method for Vibration-Based Gear Fault Diagnosis in Shearer Rocker Arm
Joshua Fenuku,
Hua Ding,
Gertrude Selase Gosu,
Xiaochun Sun and
Ning Li
【字体:
大
中
小
】
时间:2026年04月12日
来源:Electronics 2.6
编辑推荐:
摘要
在地下煤矿开采中,剪煤机摇臂的齿轮承受着极大的应力以及环境变化的影响。这一关键部件的故障可能带来严重的安全隐患,导致长时间的生产中断,并造成巨大的经济损失。因此,准确的齿轮故障诊断至关重要。然而,传统的诊断方法在处
摘要
在地下煤矿开采中,剪煤机摇臂的齿轮承受着极大的应力以及环境变化的影响。这一关键部件的故障可能带来严重的安全隐患,导致长时间的生产中断,并造成巨大的经济损失。因此,准确的齿轮故障诊断至关重要。然而,传统的诊断方法在处理这种环境中典型的非平稳、高噪声信号时,往往面临特征提取不足和性能不佳的问题。为了解决这些问题,本文提出了一种混合模型,该模型结合了卷积神经网络(CNN)、长短期记忆网络(LSTM)和马尔可夫转移模型(MTM)。在这个框架中,CNN用于提取与齿轮故障相关的全局和局部特征;然后,将时间分布特征提取器与LSTM集成在一起,以捕捉这些特征的时间演化过程,从而有效模拟故障的发展过程。最后,MTM通过引入故障状态之间的概率转移进一步优化了分类效果,提高了诊断的稳定性和抗噪声能力。实验验证使用了来自泰中煤炭机械摇臂测试平台的振动数据以及东南大学的齿轮数据,准确率达到了99.79%。结果表明,所提出的方法优于其他先进诊断方法,即使在信噪比为-5 dB的极端噪声条件下,也能提供可靠的故障诊断和很强的抗噪声能力。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号