多深度学习模型决策融合的齿轮箱故障诊断分类方法

摘要：

针对齿轮故障诊断中单一传感器采集信息不完全、容错性不佳及一种神经网络模型具有局限性,传统信号处理技术提取特征困难等问题,提出了多深度学习模型决策融合的齿轮箱故障诊断分类方法,构建了基于卷积神经网络(convolutional neural networks,CNN)和改进堆叠降噪自动编码器(stacked denoising autoencoders,SDAE)的混合网络模型,根据改进的Demp-ster-Shafer(D-S)证据理论实现决策级融合诊断.以时频信号作为CNN的输入,以频域信号作为SDAE的输入,采用Adam优化算法和dropout、批量归一化技术训练该混合模型.实验结果表明:利用该融合方法对齿轮进行故障诊断相比单个的网络模型CNN和SDAE诊断正确率有所提高,为齿轮故障智能诊断分类提供了新路径.

关键词：卷积神经网络(CNN)、堆叠降噪自动编码器(SDAE)、改进D-S证据理论、故障诊断

所属期刊栏目：22

分类号：TH113.1

资助基金：国家自然科学基金;重庆市自然科学基金;国家社会科学基金

在线出版日期：2022-07-21（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：4804-4811