来源：期刊VIP网 时间：
作者：胡孟楠;杨喜旺;黄晋英;胡宏俊;王成;
单位：中北大学大数据学院;中北大学机械工程学院;陆军装备部驻北京地区某军代室;
摘要：为了有效捕获旋转机械振动信号中蕴含的故障特征，进而高效地完成故障诊断任务，设计了一种将二维特征图像和轻量化神经网络相结合的故障诊断模型。首先，将采集到的一维振动信号以改进的集成经验模态分解（Modified Ensemble Empirical Mode Decomposition,MEEMD）算法进行分解，得到本征模态函数（Intrinsic Mode Function,IMF）分量，并筛选相应的IMF分量进行求和重构，以增强振动信号的幅值波动，进而使得马尔科夫变迁场（Markov Transition Field,MTF）能够更为有效地表征重构信号中的故障特征；然后，将MTF生成的二维特征图像输入到残差深度可分离卷积神经网络（Residual Depth Separable Convolutional Neural Network,ResDSCNN）模型中，进行特征提取与故障诊断。使用行星齿轮箱故障数据集验证了模型性能。结果表明，该模型对于各类齿轮故障的诊断正确率可达98%以上。
关键词：马尔科夫变迁场;;深度可分离卷积;;故障诊断;;改进的集成经验模态分解
基金资助：山西省自然科学基金项目（201901D111157）;; 山西省重点研发计划（国际科技合作201903D421008）;; 山西省青年科技研究基金资助项目(201901D211202)
