基于LSTM神经网络和故障特征增强的行星齿轮箱故障诊断

摘要：

针对支持向量机、深度学习等人工智能算法在齿轮箱故障诊断应用上的不足,提出一种基于长短时记忆(long short-term memory,LSTM)神经网络和故障特征增强的行星齿轮箱故障智能诊断方法.该方法对行星齿轮箱不同局部故障振动信号进行滑动加窗截取,对截取的每段信号分别做快速傅里叶变换并选取包含故障特征丰富的频段实现对故障特征的增强,并以该数据作为输入对LSTM神经网络进行训练,通过训练完成的LSTM神经网络模型智能提取所选频段内的故障特征并实现行星齿轮箱不同局部故障的识别诊断.试验结果表明该方法可以有效诊断行星齿轮箱不同局部故障,并能提高网络模型的故障识别率.

关键词：行星齿轮箱;故障特征增强;LSTM神经网络;故障诊断

所属期刊栏目：40

分类号：TH165+.3;TH33.33

资助基金：国家自然科学基金51675251

在线出版日期：2021-11-10（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：271-277