DTCWT多尺度联合熵和CNN的行星齿轮故障诊断方法

简介

行星齿轮常被应用于大型机电装备传动系统中,但是极端恶劣工况导致其故障频发,研究行星齿轮故障诊断有助于预知性维护,提高机电装备运行效率和可靠性。提出了一种结合双树复小波变换(Dual-Tree Complex Wavelet Transform,DTCWT)多尺度联合熵特征和卷积神经网络(Convolutional Neural Network,CNN)的故障诊断方法。利用相比于普通小波变换更高级的DTCWT,将行星齿轮故障激励的特征信息分解到不同的信号分量中,结合多尺度粗粒化、频谱熵和能量熵,实现多尺度联合熵特征量化,最终结合CNN实现行星齿轮故障类型识别。通过实验验证分析,证明所提出的方法识别率达到94.5%,具有较好的诊断效果。