科研之友
微信
新浪微博
Facebook
分享链接
摘要
齿轮在疲劳退化过程中通常伴有平稳型故障和冲击型故障，这两类故障特征包含了丰富的齿轮退化信息。目前端到端的剩余使用寿命预测方法大多以神经网络提取的语义特征为基础，预测模型的建立与齿轮关联程度较低，物理解释性较差。为此，结合平稳型、冲击型故障振动响应信号模型和卷积神经网络，依据故障信号特征参数生成融合故障先验的时域、角域卷积核，利用神经网络的特征提取能力挖掘振动信号中的平稳型、冲击型故障成分；同时引入注意力机制，抑制噪声、动态捕捉不同故障成分以及不同时刻信号中的退化信息，最后利用模型噪声协方差矩阵实现预测误差的加权优化。仿真和试验结果表明，该方法能有效挖掘原始信号的故障信息，具备较好的物理解释性，且对比传统智能预测方法具有更高的剩余使用寿命预测精度和更好的鲁棒性，验证了所提方法的有效性。
- 单位
