CNN和D-S证据理论相结合的齿轮箱复合故障诊断研究

• 作者: 井陆阳 张立智 徐卫晓 谭继文
• 来源期刊: 机械科学与技术
• 学科: 工学
• 关键词: 齿轮箱 故障诊断 深度卷积网络 D-S证据理论 神经网络 信息融合
• 年，卷（期）: 2019,（10）
• 所属期刊栏目: 仪器、仪表科学与技术
• 页码范围: 1582-1588
• 页数: 7页
• 分类号: TH16
• 字数: 3262字
• 语种: 中文
• DOI: 10.13433/j.cnki.1003-8728.20190023

摘要

针对齿轮箱复合故障诊断问题,将深度卷积模型(CNN)和D-S证据理论相结合,对多传感器信息进行融合.首先,利用深度卷积模型对多个传感器信息进行自适应特征提取,经softmax进行初步分类.其次,将深度卷积模型的输出结果作为D-S证据理论的输入,计算出基本概率分配,根据Dempster合成法则进行决策融合.为验证此方法对齿轮箱复合故障诊断的有效性,使用BP神经网络与D-S证据理论模型作为对比,并对自适应提取的特征与人工特征进行了主成分分析(PCA).实验结果表明,利用该方法对齿轮箱复合故障进行实验诊断,准确率达到84.58％.相比单一传感器,正确率提高了7.91％;相比BP神经网络与D-S证据理论模型,正确率提高了6.18％,验证了此方法的有效性.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	谭继文	青岛理工大学机械与汽车工程学院	93	414	8.0	14.0
2	徐卫晓	青岛理工大学机械与汽车工程学院	12	31	4.0	5.0
3	张立智	青岛理工大学机械与汽车工程学院	5	8	2.0	2.0
4	井陆阳	青岛理工大学机械与汽车工程学院	7	15	2.0	3.0