韩春雷,武 兵,2*,熊晓燕,2,任俊锜,刘智飞

(1.太原理工大学 机械与运载工程学院,山西 太原 030024;2.太原理工大学 新型传感器与智能控制教育部重点实验室,山西 太原 030024)

0 引 言

齿轮箱是机械设备中实现动力传递,调节运行速度的重要部件。在一些工业生产过程中,机械设备运行环境恶劣,随着机械设备长时间、高强度的工作,齿轮箱轴承成为了某些机械设备运行最主要的故障源,因此对齿轮箱的轴承进行故障诊断十分必要。

目前,齿轮箱轴承的故障主要通过传统的数据驱动进行诊断,传统诊断方法占用了大量人力和资源,且效果较差。

近年来,随着计算机软、硬件能力的提升以及各种数据集的开源化,深度学习得到了快速的发展,大数据给传统的故障诊断技术带来了巨大的挑战和颠覆性的创新[1]。

为实现故障诊断的智能化,以及能够自动提取出故障的特征,深度学习随之被运用到了齿轮箱轴承故障诊断领域[2]。

CHEN Zhi-qiang等人[3]将振动数据的时频特征作为CNN输入,实现了对齿轮箱的故障分类。李思琦等人[4]将故障数据用EEMD进行了分解,得到了本征模态函数,再将其作为CNN的输入,实现了对滚动轴承故障进行有效的分类诊断。王鹏飞等人[5]将数据用小波分解,然后对其进行了EMD模态分解,得到的信号再通过包络谱分析,实现了对轴承的故障诊断。王海林等人[6]首先用小波分析方法对轴承的故障数据进行了去噪处理,然后将其输入到RBF神经网络中,实现了对轴承故障的分类。……