机床与液压

作者：陈超，许琦，宋正华，高虎

单位：盐城工学院机械工程学院；盐城工学院机械工程学院；江苏昆仑互联新能源集团有限公司；江苏昆仑互联新能源集团有限公司

关键词：行星齿轮箱;深度学习;迁移学习;样本扩充

行星齿轮箱的工作环境复杂、转速和载荷多变，而常规故障诊断算法模型仅适用于单一工况，在多工况下诊断效果不佳。针对此问题，提出一种结合深度学习和迁移学习的故障诊断算法模型，用于多工况下行星齿轮箱的故障诊断。建立卷积神经网络（CNN）和长短期记忆网络（LSTM）为主体的模型框架，融入通道注意力机制（CAM）和自注意力机制（Self-Attention）完成模型的搭建。将传感器采集的数据划分为源域和目标域，采用数据充足的源域样本训练模型并保存，采用少量带标记的目标域样本对预训练模型进行微调。为了防止样本数量过少造成模型过拟合、分类效果不佳等问题，通过生成一定长度的随机噪声数据替换微调样本上部分数据点，达到扩充微调样本数量的目的。结果表明：所提方法能够较好地完成变工况下行星齿轮箱的故障诊断任务，在定工况下的诊断精度接近100%，在跨工况下的故障诊断精度均达99%以上，证明了采用所提方法时模型整体更加稳定，为齿轮箱的故障诊断提供了新的方法和思路。

来源：2025年第10期

《机床与液压》期刊编辑部

查看机床与液压杂志2025年第10期