小样本下基于深度神经网络的行星齿轮箱故障诊断.pdfVIP

摘要

摘要

在现代工业和科技领域，行星齿轮箱因具有传动效率高、结构紧凑以及承载

能力强等性能特点，已成为航空、航天、汽车及重型机械等众多领域不可或缺的

关键组件。尽管行星齿轮箱的结构设计不断优化，但在恶劣的工作环境下，仍然

可能出现点蚀、裂纹、断齿等多种故障，进而影响整个机械系统的稳定性和安全

性。在实际工程应用中，故障样本相对稀缺，基于深度学习的故障诊断方法面临

效率低下和准确度不高的问题。因此，开发出能够在小样本数据环境下高效准确

进行故障诊断的方法对于保障关键机械系统的稳定运行具有重要意义。

本文旨在探索和优化行星齿轮箱在小样本数据环境下的故障诊断方法。研究

重点包括基于改进生成对抗网络（GAN）的数据增强方法，以及结合多尺度卷积

和注意力机制的改进卷积神经网络（CNN）故障诊断方法。通过这些方法，旨在

解决小样本情况下利用GAN数据增强后数据质量较差，小样本数据下利用CNN

进行故障诊断准确率较低等问题。具体研究内容如下：

1、针对时域和频域特征难以有效区分细微故障的问题，本文第二章采用了

时频分析方法进行处理。通过设计实验，根据数据集特点最终选取了希尔伯特-黄

变换（HHT）作为最佳时频特征取方法。针对不同数据集和工况下小样本的具

体数量没有确切定义，限制了数据增强策略的有效选择这一问题。本章设计实验

探讨了齿轮箱故障诊断中样本数量影响模型性能的关键比例，并确定了适用于基

于生成对抗网络数据增强的最佳小样本比例，为后续改进奠定了基础。

2、深度学习模型的性能显著依赖于大量高质量训练样本的获取，然而实际

工程中故障样本稀缺为高效诊断带来了挑战。GAN被广泛应用于数据增强，但常

规GAN生成样本细节还原程度不高，波动性过大。本文第三章针对此问题，通过

在生成对抗网络中引入特征匹配损失和平滑损失，有效升了数据增强样本中故

障信号的真实性，从而为深度学习模型供高质量的训练数据。通过多组对比消

融实验，相较于其它GAN模型增强的数据，本章改进模型增强得到的数据完成故

3%

障诊断任务准确率升约。

3、经过GAN增强的样本往往故障特征不明显，进而导致故障诊断模型准确

率较低。为了高小样本环境下行星齿轮箱故障诊断准确性，本文第四章出了

一种结合多尺度卷积神经网络和注意力机制的改进卷积神经网络（CFFA-

MSCNN），多尺度卷积核使模型能够捕捉到不同尺度上的特征信息，注意力机

制进一步优化了这些特征的利用效率，显著升了模型对故障信号的识别能力。

I

摘要

经过对比实验验证，该网络在处理小样本增强数据性能高于其它对比模型，展现

了优异的故障诊断性能。

4、为了评估本文第三章出的改进数据增强模型和第四章出的改进故障

诊断模型的泛化性能，本文第五章通过设计行星齿轮箱故障诊断模拟实验，采集

实测故障数据，对前文出的改进方法进行了验证。在自测数据集中，第三章

6%

出的改进GAN模型相比改进前性能升约；第四章出的CFFA-MSCNN故

3%

障诊断模型相比改进前性能升约。此外，相较于其他对比模型，这些改进

方法表现出更好的性能。

关键词：行星齿轮箱，故障诊断，生成对抗网络，多尺度卷积神经网络，注

意力机制

II

ABSTRACT

ABSTRACT

Inmodernindustrialandtechnologicalfields,planetarygearboxeshavebecome

indispensablekeycomponentsinmanyfieldssuchasaviation,aerospace,automoti