针对矿用齿轮箱振动数据易受噪声污染且故障类别标注困难问题,提出了一种基于栈式小波降噪自编码器(SWDAE)和支持向量聚类(SVC)的自监督故障诊断方法。首先,将小波映射函数引入栈式降噪自编码器(SDAE)模型,以实现强噪声下矿用齿轮箱的敏感故障特征提取。然后,利用所得高层抽象特征构建SVC模型,以实现无标签信息下的矿用齿轮箱故障诊断。实验结果表明,所提SWDAE-SVC方法具有优异的故障诊断性能。

提出一种基于深度自编码网络与模糊推理相结合的矿用齿轮箱故障诊断方法。通过对完整齿轮、裂齿齿轮和缺齿齿轮3种齿轮工作状态的声信号进行小波分析并建立特征数据库,构建深度自编码网络与模糊推理系统相结合的诊断系统,实现了齿轮故障诊断与辨识。实验结果表明:这种基于声信号的故障诊断方法能够有效检测矿用齿轮箱的运行状况;与传统神经网络诊断方法以及奇异值分解诊断方法相比,该诊断方法对故障状态的辨识准确度分别提高了3.8%和8%。与传统基于振动信号的故障诊断方法相比,基于声信号的诊断方法对故障状态的辨识准确度无明显差别。表明深度自编码网络模糊推理系统同样适用于基于振动信号的矿用齿轮箱的故障特征提取与分析。