基于SSA-SVD降噪和卷积神经网络的行星齿轮箱故障诊断研究

摘要

行星齿轮箱作为重要的机械传动部件,其健康运行关系着整个工程机组的安全运作。卷积神经网络常用于解决行星齿轮箱故障分类问题,但由于实际监测中有各种噪声源的存在,振动信号成分复杂,信噪比下降,仅仅使用卷积神经网络进行故障诊断效果不佳。因此提出一种麻雀搜索算法优化的奇异值分解降噪方案,采用该方案对监测的振动信号进行降噪处理,突出低频的故障特征,结合卷积神经网络实现对含噪声振动信号的故障诊断。实验结果表明,两种方法结合可使卷积神经网络模型收敛速度更快,并将诊断准确率提升至97.43%。