TY -的A2王董AU -陈,志强AU -李,栓AU -桑切斯,Rene-Vinicio PY - 2015 DA - 2015/10/13 TI -齿轮箱故障识别和分类卷积神经网络SP - 390134六世- 2015 AB -齿轮箱的振动信号敏感的存在过错。基于振动信号，提出了一种深度学习算法卷积神经网络(CNN)在齿轮箱故障识别和分类中的实现方法。考虑了基于基本故障条件的不同状态模式组合。使用了具有不同条件模式组合的20个测试用例，其中每个测试用例包括12个不同基本条件模式组合。振动信号使用来自时域信号的统计测量，如标准差、偏度和峰度进行预处理。在频域，将FFT得到的频谱划分为多个频带，并计算每个频带的均方根值，使能量在谱峰处保持其形状。结果表明，该方法具有较高的可靠性，适用于工业往复机械故障诊断。与同类算法相比，该方法在齿轮箱故障诊断中表现出最佳的诊断效果。SN - 1070-9622 UR - https://doi.org/10.1155/2015/390134 DO - 10.1155/2015/390134 JF - Shock and Vibration PB - Hindawi Publishing Corporation KW - ER -