机床与液压

作者：龙霞飞，何志成，周凌，刘伟强，梁凯

单位：湖南工业大学电气与信息工程学院；湖南工业大学电气与信息工程学院；湖南工业大学电气与信息工程学院；湖南工业大学电气与信息工程学院；湖南工业大学电气与信息工程学院

关键词：风电齿轮箱;故障诊断;深度学习;注意力机制;开普勒优化算法

基金：湖南省教育厅科学研究项目（22B0590;23B0537）

为了保障大型风电机组的可靠运行并实现风电机组的早期故障识别，提出一种融合开普勒优化算法（KOA）、卷积神经网络（CNN）、双向长短时记忆网络（BiLSTM）和注意力机制（AM）的深度神经网络早期故障诊断混合模型。对齿轮箱原始振动数据进行预处理，利用CNN+BiLSTM方法建立输入参数和输出参数之间的逻辑关系，并融合AM+KOA方法，自动、有效地提取深层次故障特征信息，改善传统深度神经网络容易陷入局部最优、收敛速度慢、提取特征能力不足而导致诊断效果不佳等问题，实现风电齿轮箱的智能故障诊断。通过对华中科技大学齿轮箱传动系统动力学实验平台的故障数据进行分析，验证了KOA-CNN-BiLSTM-AM方法的有效性和实用性。与现有多种方法进行对比，结果表明：所提方法能够更有效地提取故障特征信息，并具有更高的故障类型识别率。

来源：2025年第4期

《机床与液压》期刊编辑部

查看机床与液压杂志2025年第4期