控制与决策

作者：黎德才,张冕,王科盛,向红标,康天博,王豫赣

单位：天津理工大学 天津市先进机电系统设计与智能控制重点实验室,天津 300384;天津理工大学 机电工程国家级实验教学示范中心,天津 300384,,天津理工大学 天津市先进机电系统设计与智能控制重点实验室,天津 300384;天津理工大学 机电工程国家级实验教学示范中心,天津 300384,,电子科技大学 机械与电气工程学院,成都 611731,,天津理工大学 天津市先进机电系统设计与智能控制重点实验室,天津 300384;天津理工大学 机电工程国家级实验教学示范中心,天津 300384,,天津理工大学 天津市先进机电系统设计与智能控制重点实验室,天津 300384;天津理工大学 机电工程国家级实验教学示范中心,天津 300384,,天津理工大学 天津市先进机电系统设计与智能控制重点实验室,天津 300384;天津理工大学 机电工程国家级实验教学示范中心,天津 300384,

关键词：行星齿轮箱;深度学习;胶囊网络;智能故障诊断;不同部件多类故障

基金：国家自然科学基金项目(52005370)；天津市自然科学基金项目(20JCYBJC00790).

行星齿轮箱是大型机械装备的核心传动环节,其内部关键零部件故障发生的部位与形式多样,威胁机械装备的安全服役.针对其不同部件的多类故障诊断问题,提出一种基于改进的胶囊网络(enhanced capsule ntwork,ECN)的“端到端”智能故障诊断方法.ECN充分发挥了卷积神经网络对故障特征的深度提取能力,同时具备胶囊结构矢量化挖掘特征空间信息的特点,可利用动态路由机制计算胶囊层之间的相关度,从而实现对故障特征的精准归类.此外,建立的间隔损失函数与输入数据不断优化模型参数,实现了对故障的智能诊断.对太阳轮、行星轮以及多类部件故障数据混合的情况分别开展分析,实验结果表明,ECN相比传统卷积神经网络和胶囊网络均表现出更强的故障诊断能力.

来源：2023年第3期

《控制与决策》期刊编辑部

查看控制与决策杂志2023年第3期