【技术实现步骤摘要】
基于Li
‑
MDCCAN的齿轮箱智能故障诊断方法
：
[0001]本专利技术涉及齿轮箱故障诊断
，具体涉及基于Li
‑
MDCCAN的齿轮箱智能故障诊断方法，尤其适用于噪声环境下的故障诊断。
技术介绍
：
[0002]齿轮箱是现代工业中应用广泛且不可或缺的关键部件。然而，因其运行时间长、工作环境复杂等原因，导致齿轮箱中的齿轮和/或轴承容易发生故障。据资料统计，齿轮箱内零部件失效情况中，齿轮和轴承的失效所占比重最大，分别为60％和19％，因此齿轮和轴承是齿轮箱故障高发的关键零部件。一旦齿轮和轴承发生故障，极易产生一系列不良连锁反应，最终导致整个机械装备出现故障，甚至引发生产安全事故。因此，开展齿轮箱故障诊断研究，对保障机械装备的运行安全、提高工业生产效率具有极其重要的现实意义。
[0003]目前，齿轮箱的振动信号是公认的最佳特征提取量，它能够迅速、真实、全面地反映设备运行状态和绝大部分故障的性质范围，所以振动诊断在齿轮箱故障诊断中占有重要的地位。基于振动信号的故障诊断方法，主要包括数...
【技术保护点】
【技术特征摘要】
1.基于Li
‑
MDCCAN的齿轮箱智能故障诊断方法，其特征在于，包括以下步骤：S1、采集原始振动数据采用加速度传感器H测量齿轮箱水平方向的振动信号，加速度传感器V测量齿轮箱垂直方向的振动信号，加速度传感器A测量齿轮箱轴向方向的振动信号，从而获取不同健康状态下的齿轮箱三个方向的原始振动数据；S2、构建轻量化多尺度空洞因果卷积注意力网络所述轻量化多尺度空洞因果卷积注意力网络包括依次连接的多传感器数据融合子网络、多尺度多维度特征提取子网络和故障识别子网络；S21、多传感器数据融合子网络S211、设加速度传感器H、V和A采集的第n个数据样本分别为和对上述数据样本使用滑动窗口依次截取等长的数据段，并顺序堆叠在一起，则得到多传感器融合样本X
n
，其表达式如下：其中，fusion表示融合传感器数据函数，该函数按顺序拼接单传感器数据片段，建立多传感器融合数据集，将多传感器融合数据集进行处理划分成训练集和测试集；S212、在网络训练阶段，引入Dropout策略，随机删除多传感器融合样本的数据点，增加网络对输入数据样本的容忍度；S22、多尺度多维度特征提取子网络特征提取子网络包括三条平行的卷积通道，每一所述卷积通道由一个多尺度的空洞因果卷积和若干个轻量化卷积模块堆叠而成，空洞因果卷积为该网络第一层，每次卷积操作后嵌入相应的注意力机制；所述空洞因果卷积引入名为空洞率d的超参数，空洞率d定义了卷积核处理数据时各值的间距；设输入一维时序数据X＝{X1，X2，...，X
n
}∈R
n
，采用卷积核大小为k、空洞率为d的滤波器f在X上滑动，对序列元素X
i
的空洞因果卷积操作F的数学表达式为：其中，X
i
‑
d
·
j
指历史时刻数据；...
【专利技术属性】
技术研发人员：田娟，谢刚，孙厚泰，李林娟，聂晓音，
申请(专利权)人：太原科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。