基于经验模态分解与一维卷积神经网络的齿轮箱故障诊断

[20]在机器学习中有广泛应用，其将一个模型的预测结果和真实的标签以一个N×N的表格形式进行排列，其中行表示样本的真实标签，列表示模型预测的标签，矩阵中每个单元格的值表示真实标签和预测标签之间的对应关系，用分类结果来计算各种性能指标以评估模型的分类性能。混淆矩阵中的真例表示模型将正例分类为真的样本数目，将负例分类为真的样本数目为假正例表示模型将负例分类为真的样本数目。从图4.7中可以看出，原本数值为0-9数字标签经过某些操作后的可读字符串标签形式，本论文将混淆矩阵以该形式进行混淆矩阵表示，x轴方向表示模型预测的标签类别，y轴方向表示真实标签的类别，对角线位置数值的大小代表准确率，非对角线处数值如果异常大，即表示将真实标签误判为其他标签的类别，通过可视化的操作可看出在局部优化算法更有利于找寻局部模型无法正确分类的地方，因此可以针对算法中部分类别进行优化。图4.7混淆矩阵4.5本章小结如何快速准确地诊断齿轮箱故障是十分必要的，基于EMD和1DCNN的混合方法是故障诊断的新方法。EMD通过将复杂信号分解为一系列的内部模态函数IMF来提取信号，EMD可以对不同频率范围内的信号进行自适应处理，具有许多其他方法所不具有的优势，在处理不规则信号时效果较好。与此同时，作为深度学习的算法，1DCNN具有强大的局部特征学习能力，在处理时序数据时，采用卷积操作，可以迅速识别局部特征，其多层次的网络结构可以学习更加复杂的高层特征。因此，将1DCNN与EMD分解得出的IMF相结合，可以充分利用1DCNN来捕获微小但有用的信号变化，在存在噪声的情况下，采用二者结合的方法大大提高了模型的鲁棒性。本文采用EMD为基础，设计了一种基于EMD-1DCNN的混合模型。系统实验结果表明，在故障诊断中，EMD-1DCNN拥有其他方法无法比拟的特征提取性能，进一步证明了EMD的强大分解能力与1DCNN具有较强的学习局部特征的能力。除此之外，EMD-1DCNN模型还存在较强的适用性，可以应用到其他类型机械设备的故障诊断中，相信今后能够对其展开深入研究，以实现故障诊断的进步。综上所述，基于EMD与1DCNN的混合模型在齿轮箱故障诊断中取得了较好效果，齿轮变速箱是驱动装置中的一种重要组成部分，对于各类传动机械设备的精确运行具有重要作用。齿轮箱的故障检测率较高，针对其存在的不足，今后可展开研究。结论随着现代工业装备大型化、复杂化和智能化高速发展，设备故障呈现出多模态、非线性等特性，传统的诊断方法已难以满足实时监测和智能诊断的迫切需要，本文以齿轮箱故障诊断为对象，创造性提出了基于信号分解和深度学习的混合诊断体系，主要研究成果如下。面对非平稳、信噪低下的复杂工况振动信号，特征提取存在困难，对此采用经验模态分解对原始振动信号进行自适应分解，并基于深度学习的分析方法，由于借助了美国凯斯西储大学轴承数据集，分析了不同故障类型的时频域显著性差异，创造性地将非线性振动信号分解为本征模态函数物理意义分量的时间一维序列输入集合，解决了非平稳信号导致的1D-CNN泛化能力差的问题，为深度学习模型的训练提供了数据支撑。而针对模型结构方面，提出了多通道特征融合方案，丰富卷积神经网络模型结构，在并行卷积通道的基础上提取时域、频域等特征，加入跨通道注意力机制，引导其网络学习故障敏感特征，在实验上验证了改进模型对齿轮箱常见故障的故障诊断准确率可达97%，相比原始单通道故障诊断准确率提升了12.6%，提升了复杂故障的诊断可靠性。综上所述,本文构建的“信号预处理-特征学习-智能诊断”的技术流程可以为旋转机器故障诊断提供新的研究思路,以及提出的多模态特征信息融合的方法可以为工业设备的智能诊断与健康管理系统的构建提供新的方法路径。参考文献石烁.基于MCKD与CNN的滚动轴承故障诊断方法研究[D].沈阳化工大学,2022.DOI:10.27905/ki.gsghy.2022.000058.李嘉璇.TensorFlow技术解析与实战[M].人民邮电出版社:,201706.314.雍彬.风电齿轮箱故障智能诊断关键技术研究[D].重庆大学,2020.DOI:10.27670/ki.gcqdu.2020.000325.李舜酩,郭海东,李殿荣.振动信号处理方法综述[J].仪器仪表学报,2013,34(08):1907-1915.DOI:10.19650/ki.cjsi.2013.08.031.王柱.海上风力发电机组齿轮箱故障信号提取与剩余寿命预测方法研究[D].吉林大学,2020.DOI:10.27162/ki.gjlin.2020.007459.张港.基于深度学习轻量化卷积神经网络的遥感图像场景分类研究[D].南京邮电大学,2022.DOI:10.27251/ki.gnjdc.2022.000193.王泽兵.基于深度主动学习的行星齿轮箱故障诊断技术研究[D].太原理工大学,2023.DOI:10.27352/ki.gylgu.2023.001781.HUANGNE,SHENZ,LONGSR,etal.TheempiricalmodedecompositionandtheHilbertspectrumfornonlinearandnon-stationarytimeseriesanalysis[J].ProceedingsoftheRoyalSocietyofLondonA:Mathematical,PhysicalandEngineeringSciences,1998,454(1971):903-995.胡茑庆,陈徽鹏,程哲,等.基于经验模态分解和深度卷积神经网络的行星齿轮箱故障诊断方法[J].机械工程学报,2019.郝刚.改进的EMD在齿轮箱故障诊断中的研究与验证[D].中北大学2024.付大鹏,翟勇,于青民.基于EMD和支持向量机的滚动轴承故障诊断研究[J].机床与液压,2017,45(11):184-187.刘宇恒,曹井琛,侯钧译.基于多尺度空洞卷积的滚动轴承故障诊断方法[J].电子设计工程,2025,33(09):163-168.DOI:10.14022/j.issn1674-6236.2025.09.033.LECUNY,BOTTOUL,BENGIOY,etal.Gradient-basedlearningappliedtodocumentrecognition[J].ProceedingsoftheIEEE,1998,86(11):2278-2324.WONY,GADERPD,COFFIELDPC.Morphologicalshared-weightnetworkswithapplicationstoautomatictargetrecognition[J].IEEETransactionsonNeuralNetworks,1997,8(5):1195-203.NAIRV,HINTONG.Rectifiedlinearunitsimproverestrictedboltzmannmachines[C]//InternationalConferenceonMachineLearning(ICML),June21-24,2010,Haifa,Israel.Madison:Omnipress,2010:807-814.Krizhevsky,Alex,IlyaSutskever,andGeoffreyE.Hinton."Imagenetclassificationwithdeepconvolutionalneuralnetworks."Advancesinneuralinformationprocessingsystems.2012.Simonyan,Karen,andAndrewZisserman."Verydeepconvolutionalnetworksforlarge-scaleimagerecognition."arXivpreprintarXiv:1409.1556(2014).HEKaiming,ZHANGXiangyu,RENShaoqing,etal.Deepresiduallearningforimagerecognition[C]//ComputerVisionandPatternRecognition(CVPR),June27-30,2016.LasVegas,NV,USA.Piscataway:IEEE,2016:770-778.SZEGEDYC,IOFFES,VANHOUCKEV,etal.Inception-v4,inception-resnetandtheimpactofresidualconnectionsonlearning[C]//AssociationfortheAdvancementofArtificialIn