基于自适应卷积神经网络的蜗轮蜗杆减速器智能故障诊断：采用量子门变异策略改进的大猩猩群优化算法
信号处理
2024-10-04 v2
摘要
蜗轮蜗杆减速器是一种高速传动系统,在众多工业领域中发挥着重要作用。因此,有必要为其开发一套鲁棒的故障诊断方案。随着传感器技术的进步,学术界与工业界的研究人员更倾向于采用深度学习模型进行故障诊断。深度学习模型中超参数(hyperparameters, HPs)的优化选择对其稳定性能具有关键作用。现有方法主要侧重于人工调参,这一过程繁琐且有时会导致结果不准确。因此,探索更为精细的方法以实现超参数的自动优化显得尤为重要。本研究提出了一种新颖的优化算法,即改进的大猩猩群优化算法(amended gorilla troop optimization, AGTO),以使卷积神经网络(convolutional neural network, CNN)能够自适应地提取特征,从而识别蜗轮蜗杆减速器的缺陷。首先,通过 Morlet 小波函数将振动信号与声学信号转换为二维图像;随后,通过设定超参数构建 CNN 的初始模型;在此基础上,确定各超参数的搜索空间,并利用所提出的 AGTO 算法对其进行优化。通过混淆矩阵对 AGTO-CNN 的分类精度进行评估与验证。同时,将所提模型的性能与其他模型进行了对比。AGTO 算法在 23 个经典基准函数及 Wilcoxon 检验上进行了测试,验证了该优化算法的有效性与优越性。实验结果表明,AGTO-CNN 在蜗轮蜗杆减速器故障诊断中具有最高的诊断精度,且表现出良好的稳定性与鲁棒性。
引用
@article{arxiv.2403.13036,
title = {Intelligent fault diagnosis of worm gearbox based on adaptive CNN using amended gorilla troop optimization with quantum gate mutation strategy},
author = {Govind Vashishtha and Sumika Chauhan and Surinder Kumar and Rajesh Kumar and Radoslaw Zimroz and Anil Kumar},
journal= {arXiv preprint arXiv:2403.13036},
year = {2024}
}