PCA-SAE的齿轮箱故障诊断方法研究

作     者：马芸婷 张超 王宇晨 MAYun-ting;ZHANG Chao;WANG Yu-chen

作者机构：内蒙古包钢钢联股份有限公司轨梁轧钢厂内蒙古包头014010 内蒙古科技大学机械工程学院内蒙古包头014010 内蒙古北方重工业集团有限公司技术中心产品研究院内蒙古包头014010 

基　　金：国家自然科学基金(51565046)于噪声参数最优ELMD方法多特征融合的风电机组齿轮箱状态监测关键技术研究 内蒙古自治区科技计划项目(2018KG007)协整分析下基于大数据的风电机组齿轮箱故障诊断与性能预测 

出 版 物：《机械设计与制造》 (Machinery Design & Manufacture)

年 卷 期：2022年第373卷第3期

页      码：144-147,152页

摘      要：针对因长时间的信号采集使得振动信号面临数据量大的问题。传统的信号分析方法,已无法解决大数据情况下故障的特征提取与分类,同时采集到的数据样本具有多维度多样本的情况,导致训练网络时在前期导入数据阶段耗费大量时间与硬件的内存,并且会导致网络训练中产生过拟合现象,影响分类准确率。针对以上问题本文提出基于主成分分析与堆叠自动编码机相结合的齿轮故障诊断研究,以实现对齿轮振动信号快速准确的特征提取与分类。首先对原始信号进行主成分析,得到各主成分贡献率,其次,选取主成分贡献率高的前几列作为深度学习网络输入样本。最后深度学习网络即堆叠自动编码机网络对训练数据集进行学习提取数据中的特征并应用测试数据集部分进行分类并计算分类的准确率。最终,实验中将所提深度学习方法与传统的特征提取方法和分类方法进行比较最终识别精度进行比较。实验结果表明本文所提方法最终可以达到98.6%的准确率,实现端到端的故障诊断方法,可以很好的应用于故障诊断领域。

主 题 词：故障诊断 主成成分分析 深度学习 堆叠自动编码机网络 

学科分类：12[管理学] 1201[管理学-管理科学与工程类] 08[工学] 0802[工学-机械学] 081101[081101] 0811[工学-水利类] 081102[081102] 080201[080201] 

D　O　I：10.3969/j.issn.1001-3997.2022.03.029

馆 藏 号：203110042...