Key points are not available for this paper at this time.
Die industriellen Getriebe arbeiten in der Regel unter rauen und variablen Bedingungen, was zu partiellen Ausfällen von Zahnrädern oder Lagern führt. Dementsprechend können die kontinuierlichen unregelmäßigen Schwankungen des Getriebes unter variablen Bedingungen die intraklassischen Unterschiede erhöhen und die interklassischen Unterschiede für die überwachten Proben verringern. Zu diesem Zweck wird eine neue intelligente Fehlerdiagnosemethode für Getriebe, die auf einem adaptiven intraklassen- und interklassen-konvolutionalen neuronalen Netzwerk (AIICNN) unter variablen Arbeitsbedingungen basiert, vorgeschlagen. Der Kern des vorgeschlagenen Algorithmus besteht darin, die entworfenen intraklassen- und interklassen-Bedingungen anzuwenden, um die Verteilungsunterschiede der Proben zu verbessern. Gleichzeitig wird die adaptive Aktivierungsfunktion in das 1-D konvolutionale neuronale Netzwerk (1dCNN) eingefügt, um den heterogenen Abstand zu vergrößern und den homogenen Abstand der Proben zu verringern. Genauer gesagt wird die Trainingsstichprobe mit Intraklassen- und Interklassen-Abstandsschwankungen unter variablen Bedingungen zunächst durch die schnelle Fourier-Transformation (FFT) in den Frequenzbereich umgewandelt, und der entworfene AIICNN-Algorithmus wird für das Modelltraining verwendet. Danach wird die Teststichprobe dem trainierten AIICNN-Algorithmus zur Fehlerdiagnose bereitgestellt. Die experimentellen Daten des Planetengetriebe-Teststands verifizieren die Machbarkeit der vorgeschlagenen Diagnosemethode und des Algorithmus. Im Vergleich zu anderen Methoden kann diese Methode die Unterschiede in der Probenverteilung unter variablen Bedingungen beseitigen und ihre diagnostische Verallgemeinerung verbessern.
Zhao et al. (Wed,) haben diese Frage untersucht.