摘要:针对行星齿轮箱振动信号相互耦合和故障诊断不准确等问题,提出一种基于特征融合与深度残差网络(ResNet)的行星 齿轮箱故障诊断方法。 首先,对采集到的行星轮裂纹、磨损,太阳轮断齿及复合故障等模拟故障振动信号应用多维集成经验模 态分解(MEEMD)和 VMD 进行分解,分别筛选确定有效分量。 然后,将筛选出的有效特征进行融合,分别应用传统卷积神经网 络(CNN)和深度残差网络对其进行分类识别。 结果发现,深度残差网络,分类准确度更高,可达 95%以上。 最后,应用深度残 差对特征融合前后数据的分类准确度进行了比较。 融合前准确度最高只达 91. 16%,低于融合的 97. 18%。 可见,该方法对行星 齿轮箱耦合振动信号的处理和故障诊断非常有效。