针对齿轮箱故障诊断需要大量专家经验知识、人工提取特征困难的问题,提出基于特征差异性学习卷积神经网络(FDLCNN)的故障诊断方法。构建不同深度的多尺度网络,并引入残差模块,以提升网络的特征提取能力;提取一维时序信号中不同尺度不同深度的故障特征,再通过自适应平均池化层处理后进行特征融合,以丰富智能诊断决策信息;最后在全连接层实现特征降维,使用Softmax分类器输出诊断结果。利用10种齿轮箱故障状态实验数据与现有3种方法进行对比分析,结果表明:FDLCNN故障识别精度更高,鲁棒性更强,收敛速度更快。

主成分分析(PCA)法在特征融合过程中未考虑特征之间特性对分类识别的影响,导致降维后特征无法正常有效分离,因此提出预筛选PCA方法以提取信号的时域特征、频域特征。利用相关系数法可有效区分对象之间的相互关系,先去掉不利于分类的特征,然后对新得到的矩阵进行PCA降维,把时域特征及频域多特征转化为综合性的评价指标,以获得更好的分类效果。结果表明:该方法的特征分离效果更好。研究结果有利于提高PCA分类识别准确率。