基于多尺度特征级融合策略的全包容齿轮故障诊断方法
机器学习
2025-04-01 v1
摘要
为满足齿轮端到端故障诊断需求，本文提出一种集成智能方法，用于基于加速度信号的齿轮故障诊断，基于Gabor基适应短时傅里叶变换（Gabor-ASTFT）和双树复波士兹小波变换（DTCWT）算法，结合扩张残差结构与特征融合层。首先，对从齿箱底部通过振动传感器收集的原始一维加速度信号进行预分段处理。随后应用Gabor-ASTFT和DTCWT将原始一维时域信号转换为二维时频表示，以便初步提取故障特征并获取弱特征图。随后，利用反卷积和扩张卷积建立双通道结构，对特征图进行上采样和下采样，以调整其尺寸。随后构建特征融合层以整合双通道特征，实现对提取故障特征的多尺度分析。最后，开发一个包含残差结构的卷积神经网络（CNN）模型，用于从融合后的特征图中进行深层特征提取。提取的特征随后输入到全局平均池化（GAP）和分类函数进行故障分类。通过在不同数据集上的对比实验，证明所提出的方法能够有效满足齿轮端到端故障诊断的需求。
关键词
引用
@article{arxiv.2503.23887,
title = {An End-to-End Comprehensive Gear Fault Diagnosis Method Based on Multi-Scale Feature-Level Fusion Strategy},
author = {Bowei Qiao and Hongwei Wang},
journal= {arXiv preprint arXiv:2503.23887},
year = {2025}
}