基于MEEMD-SDP图像特征和DRN的行星齿轮箱故障诊断

在行星齿轮箱齿轮的实际工程应用中，针对故障发生的早期阶段，其非平稳性、非线性振动特征信号导致故障诊断准确率低的问题，提出了一种基于MEEMD-SDP图像特征和深度残差网络的齿轮故障诊断方法。首先，采用了改进的集总平均经验模态分解(MEEMD)方法对齿轮振动信号进行了分解，获得了能够反映齿轮振动信号信息的固有模态函数(IMF);然后，通过对称点图案(SDP)分解方法提取了IMF分量，将其变换到极坐标下的雪花图像特征，并组成了特征向量；最后，引入深度残差网络(DRN)模型，实现了对行星齿轮箱齿轮不同故障的识别与分类，同时将其与卷积神经网络(CNN)模型进行了对比，并在东南大学公开的齿轮箱数据集上进行了不同模型对齿轮状态故障识别准确率的对比实验。研究结果表明：SDP图像特征能够全面表征齿轮的状态信息，相较于CNN模型，采用DRN模型对齿轮进行诊断得到的平均准确率有明显提高，可达到98.1%,能验证基于MEEMD-SDP图像特征和深度残差网络方法的有效性；研究结果对提升现有行星齿轮箱齿轮故障识别的准确率具有一定的价值。

Planetary gearbox fault diagnosis based on MEEMD-SDP image features and DRN