来源：期刊VIP网 时间：
作者：魏峰;张新明;安文臣;
单位：新乡职业技术学院,计算机学院;河南师范大学,计算机与信息工程学院;河南艾迪优网络工程有限公司;
摘要：为了降低随机噪声对行星齿轮箱振动信号造成的干扰，设计了一种采用卷积神经网络（A-CNN）算法的行星齿轮箱故障诊断，可以实现对噪声的良好抗干扰性能，采用A-CNN进行处理时可以通过Dropout实现输入信号的随机干扰，再以多尺度卷积核模块完成干扰信号开展特征分析和多尺度特征学习的过程。研究结果表明：采用Dropout处理信号后能够大幅提升模型抗噪性能，当设置3dB强噪条件时提升近10%。当噪声强度低于6dB时，（15×15）卷积核获得比了比（7×7）卷积核更优的效果。当噪声水平上升后，测试模型准确率降低。与其它算法进行比较可知，设计的A-CNN算法在各噪声水平测试集都达到了最优性能。当受到3dB强噪干扰时，A-CNN可以获得比AlexNet提升20%准确率，并且与VGG相比也可以提升近10%准确率。
关键词：行星齿轮箱;;噪声干扰;;输入Dropout;;多尺度卷积核;;故障诊断
基金资助：河南省高等学校重点科研项目（19A520026）
