针对齿轮故障样本欠缺问题,提出一种基于Hilbert-Huang谱和预训练VGG16模型的迁移学习故障诊断方法。对振动信号进行经验模态分解(Empirical Mode Decomposition,EMD)得到本征模态函数(Intrinsic Mode Function,IMF),同时取相关系数最大的IMF做Hilbert变换,获取时频谱;利用预训练VGG16提取变负载下和各健康状态下齿轮的Hilbert-Huang谱图像特征;采用全局均值池化层取代VGG16模型部分全连接层,进行分类输出。实验结果表明,在少量的样本数据下,该方法的齿轮故障诊断准确率达到98.86%,优于TLCNN和Tran VGG-19等迁移学习方法,证明了该方法在齿轮故障诊断中具有一定研究价值。

基于卷积神经网络的齿轮智能识别算法能有效地识别齿轮故障,但卷积神经网络需要大量的已标注训练数据,制约了卷积神经网络在齿轮故障诊断上的应用。针对该问题,提出了基于分布适配层和软标签学习的齿轮故障诊断方法。采用卷积神经网络提取特征和软标签;通过分布适配层提取分布差异,软标签学习生成软标签损失;以分布差异、软标签损失与分类损失生成的联合损失为目标函数,训练模型并进行目标域故障诊断。采用齿轮振动信号验证了提出方法,结果表明,提出方法能准确有效地分类齿轮故障数据。

为实现齿轮故障模式的有效识别,提出了基于峭度准则变分模态分解(VMD)的样本熵与概率神经网络(PNN)的齿轮故障诊断方法。首先,利用VMD将齿轮振动信号进行分解;然后,提取峭度最大及次大分量的样本熵并组成特征向量;最后,将特征向量分别输入BPNN和PNN实现故障模式识别。通过齿轮故障试验对该方法进行验证,结果表明,基于峭度准则VMD样本熵与PNN相结合时的故障诊断准确率达96.25%,高于与BPNN结合时的准确率;将所提方法与基于峭度准则EEMD,LMD,EMD样本熵分别与神经网络结合时的诊断准确率进行对比,则明显高于其他三种方法,证明了所提方法的可行性和有效性。

为了能全面准确识别齿轮的故障类别,建立了基于时域、频域以及能量等多域特征参数的特征空间模型。在此基础上,提出了一种基于多域特征与改进D-S证据理论的齿轮故障智能诊断方法。通过实验台实测数据提取相关特征参数作为诊断样本,以粒子群优化支持向量机的初步诊断结果构建多个证据体。实验结果验证了改进D-S证据理论融合证据体诊断结果的有效性。