一种基于特征融合卷积神经网络和最大-最小淘汰算法的增强诊断方法技术

本发明专利技术公开一种基于特征融合卷积神经网络和最大‑最小淘汰算法的增强诊断方法，所述方法包括：基于最大‑最小淘汰算法(MMFA)的数据采集与预处理，将数据分为不同的操作类别并按振幅对数据进行排序以消除噪声信号；基于快速傅里叶变换与小波变换的数据增强，进行标准化处理并输出数据；通过5倍交叉训练构建并训练预处理的卷积神经网络(PRE‑ENFCNN)，特征显著性和特征多样性进行学习，保存最优模型；基于消融实验与对比实验进行的故障诊断与测试，验证PRE‑ENFCNN方法的有效性和优越性，完成行星齿轮箱多种故障模式的增强诊断。本发明专利技术提供了一种利用特征融合卷积神经网络和最大‑最小淘汰算法的增强诊断方法，能够实现行星齿轮箱的准确故障诊断，提高了预测性维护的效率和可靠性。

【技术实现步骤摘要】

本专利技术涉及航空航天机械装备，尤其涉及一种基于特征融合卷积神经网络和最大-最小淘汰算法的增强诊断方法。

技术介绍

1、随着工业自动化和智能化的不断推进，复杂航空航天机械设备的健康状态监测和故障诊断变得日益重要。行星齿轮箱作为广泛应用于各个领域的传动装置，其稳定运行对于生产效率和设备寿命至关重要。然而，由于其复杂的结构和恶劣的工作环境，行星齿轮箱故障的早期诊断一直是一个具有挑战性的任务。近年来，深度学习技术的迅猛发展为解决这一问题提供了新的思路和方法。

2、行星齿轮箱的故障通常表现为振动异常、声音异常和温度升高等。然而，由于多种因素的影响，例如载荷变化、润滑状况、工作环境等，故障特征在振动信号中可能被掩盖或变得难以提取。传统的频域分析和时域分析方法难以捕捉到复杂故障模式的特征，因此需要更高级的技术手段来提高诊断准确性。

3、深度学习技术，特别是卷积神经网络(cnn)、循环神经网络(rnn)和变换器等，以其出色的特征提取和模式识别能力，已被广泛应用于振动信号、声音信号、图像等多模态传感器数据的处理。在故障诊断中，传统的特征提取方法通常本文档来自技高网...

【技术保护点】

1.一种基于特征融合卷积神经网络和最大-最小淘汰算法的增强诊断方法，其特征在于：该方法包括如下步骤：

2.根据权利要求1所述的一种基于特征融合卷积神经网络和最大-最小淘汰算法的增强诊断，其特征在于基于MMFA的数据采集与预处理，具体为：

3.根据权利要求1所述的一种基于特征融合卷积神经网络和最大-最小淘汰算法的增强诊断方法，其特征在于基于FFT与WT的数据增强，具体为：

4.根据权利要求1所述的一种基于特征融合卷积神经网络和最大-最小淘汰算法的增强诊断，其特征在于通过5倍交叉训练构建并训练PRE-ENFCNN模型，具体为：

【技术特征摘要】

1.一种基于特征融合卷积神经网络和最大-最小淘汰算法的增强诊断方法，其特征在于：该方法包括如下步骤：

2.根据权利要求1所述的一种基于特征融合卷积神经网络和最大-最小淘汰算法的增强诊断，其特征在于基于mmfa的数据采集与预处理，具体为：

3.根据权利要求1所...

【专利技术属性】
技术研发人员：陈嘉宇，陆钦华，王旭航，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：