基于深度卷积二元分解网络的齿轮箱故障诊断方法

林慧斌; 冼贤钊; 何国林

doi:10.16578/j.issn.1004.2539.2025.09.015

您当前的位置：

首页 >

文章列表页 >

基于深度卷积二元分解网络的齿轮箱故障诊断方法

开发应用 | 更新时间：2025-09-20

- 基于深度卷积二元分解网络的齿轮箱故障诊断方法
  增强出版
- Fault diagnosis method for gearboxes based on deep convolutional binary decomposition network
- 机械传动 2025年49卷第9期页码：119-127
- 作者机构：
  
  华南理工大学机械与汽车工程学院，广州 510640
- 作者简介：
  
  林慧斌，女，1975年生，福建漳州人，博士，副教授；主要研究方向为机械故障特征提取、智能诊断方法、动态信号分析与处理；hblin@scut.edu.cn。
- 基金信息：
  
  国家重点研发计划(2023YFB4203100);广东省自然科学基金项目(2022A1515011238)
- DOI：10.16578/j.issn.1004.2539.2025.09.015
  中图分类号： TH165.3;TH132.41
- 收稿：2024-04-17，
  
  纸质出版：2025-09-15
- 稿件说明：
移动端阅览
林慧斌，冼贤钊，何国林. 基于深度卷积二元分解网络的齿轮箱故障诊断方法［J］. 机械传动，2025，49（9）：119-127.

LIN Huibin，XIAN Xianzhao，HE Guolin. Fault diagnosis method for gearboxes based on deep convolutional binary decomposition network［J］. Journal of Mechanical Transmission，2025，49（9）：119-127.
林慧斌，冼贤钊，何国林. 基于深度卷积二元分解网络的齿轮箱故障诊断方法［J］. 机械传动，2025，49（9）：119-127. DOI： 10.16578/j.issn.1004.2539.2025.09.015.

LIN Huibin，XIAN Xianzhao，HE Guolin. Fault diagnosis method for gearboxes based on deep convolutional binary decomposition network［J］. Journal of Mechanical Transmission，2025，49（9）：119-127. DOI： 10.16578/j.issn.1004.2539.2025.09.015.

摘要

目的

针对齿轮箱故障诊断中谐波干扰掩盖局部故障特征的问题，提出一种基于深度卷积二元分解网络（Deep Convolutional Binary Decomposition Network

DCBDN）的齿轮箱谐波分离与冲击特征提取方法。

方法

首先，通过改进堆叠自编码网络的特征传递与输出模式，引入对谐波成分的分离约束，在网络特征传递过程中实现谐波分离与冲击故障特征提取；随后，针对所提网络提出一种基于故障机制模型的二元输出网络模型训练方法，利用故障机制模型构造仿真数据集，以效果补偿的方式对模型内的谐波特征提取器和冲击特征提取器进行参数动态链式更新，完成网络训练。

结果

仿真和试验分析结果表明，相较于现有的卷积自编码网络模型和快速谱峭度方法，所提方法能够有效分离出耦合在一起的谐波和故障冲击成分，具有更强的抗干扰性能和局部故障特征提取能力。

Abstract

Objective

To address the issue of harmonic interference affecting local fault feature in gearbox fault diagnosis

a harmonic separation and impact feature extraction method based on a deep convolutional binary decomposition network (DCBDN) was proposed.

Methods

Firstly

by improving the feature transmission and output patterns of the stacked autoencoder network

a separation constraint for harmonic components was introduced to achieve harmonic separation and impact fault feature extraction during the network's feature propagation process. Subsequently

a binary output network training approach grounded in a fault mechanism model was developed for the proposed network. A simulated dataset was constructed based on the fault mechanism model

and the parameters of both harmonic and impact feature extractors within the model were dynamically updated via effect compensation

thereby completing network training.

Results

Simulation and test analyses demonstrate that compared with existing convolutional autoencoder models and fast spectral kurtosis methods

the proposed method effectively separates coupled harmonic and fault impact components

exhibiting superior anti-interference capability and enhanced local fault feature extraction performance.

关键词

Keywords

references

李永焯，丁康，何国林，等 . 齿轮系统振动响应信号调制边频带产生机理［J］. 机械工程学报， 2018 ， 54 （ 5 ）： 105 - 112 .

LI Yongzhuo ， DING Kang ， HE Guolin ， et al . Modulation sidebands of the vibration signal of gearbox ［J］. Journal of Mechanical Engineering ， 2018 ， 54 （ 5 ）： 105 - 112 .

LI N ， HUANG W G ， GUO W J ， et al . Multiple enhanced sparse decomposition for gearbox compound fault diagnosis ［J］. IEEE Transactions on Instrumentation and Measurement ， 2020 ， 69 （ 3 ）： 770 - 781 .

ZHANG X ， ZHANG M ， WAN S T ， et al . A 1.5D spectral kurtosis-guided TQWT method and its application in bearing fault detection ［J］. Shock and Vibration ， 2021 ， 2021 （ 1 ）： 5554981 .

DU J ， LU Y ， TAO X ， et al . Periodic impulse signal separation based on resonance-based sparse signal decomposition and its application to the fault detection of rolling bearing ［J］. Measurement and Control ， 2020 ， 53 （ 3/4 ）： 601 - 612 .

王冉，黄裕春，张军武，等 . 基于低秩和稀疏分解的滚动轴承故障特征提取方法对比研究［J］. 振动与冲击， 2023 ， 42 （ 21 ）： 182 - 191 .

WANG Ran ， HUANG Yuchun ， ZHANG Junwu ， et al . Contrastive study on fault feature extraction methods for rolling bearing based on low rank and sparse decomposition ［J］. Journal of Vibration and Shock ， 2023 ， 42 （ 21 ）： 182 - 191 .

CUI H J ， GUAN Y ， CHEN H Y . Rolling element fault diagnosis based on VMD and sensitivity MCKD ［J］. IEEE Access ， 2021 ， 9 ： 120297 - 120308 .

张旭辉，张超，樊红卫，等 . 快速谱峭度结合阶次分析滚动轴承故障诊断［J］. 振动、测试与诊断， 2021 ， 41 （ 6 ）： 1090 - 1095 .

ZHANG Xuhui ， ZHANG Chao ， FAN Hongwei ， et al . Improved fault diagnosis of rolling bearing by fast kurtogram and order analysis ［J］. Journal of Vibration ，Measurement & Diagnosis， 2021 ， 41 （ 6 ）： 1090 - 1095 .

刘仓，童靳于，包家汉，等 . 基于多传感器两级特征融合的滚动轴承故障诊断方法［J］. 振动与冲击， 2022 ， 41 （ 8 ）： 199 - 207 .

LIU Cang ， TONG Jinyu ， BAO Jiahan ， et al . A rolling bearing fault diagnosis method based on multi-sensor two-stage feature fusion ［J］. Journal of Vibration and Shock ， 2022 ， 41 （ 8 ）： 199 - 207 .

周兴康，余建波 . 基于深度一维残差卷积自编码网络的齿轮箱故障诊断［J］. 机械工程学报， 2020 ， 56 （ 7 ）： 96 - 108 .

ZHOU Xingkang ， YU Jianbo . Gearbox fault diagnosis based on one-dimension residual convolutional auto-encoder ［J］. Journal of Mechanical Engineering ， 2020 ， 56 （ 7 ）： 96 - 108 .

YANG D G ， KARIMI H R ， SUN K K . Residual wide-kernel deep convolutional auto-encoder for intelligent rotating machinery fault diagnosis with limited samples ［J］. Neural Networks ， 2021 ， 141 ： 133 - 144 .

王奉涛，邓刚，王洪涛，等 . 基于EMD和SSAE的滚动轴承故障诊断方法［J］. 振动工程学报， 2019 ， 32 （ 2 ）： 368 - 376 .

WANG Fengtao ， DENG Gang ， WANG Hongtao ， et al . A rolling bearing fault diagnosis method based on EMD and SSAE ［J］. Journal of Vibration Engineering ， 2019 ， 32 （ 2 ）： 368 - 376 .

HINTON G E ， SALAKHUTDINOV R R . Reducing the dimensionality of data with neural networks ［J］. Science ， 2006 ， 313 （ 5786 ）： 504 - 507 .

WU Z H ， YAN H ， ZHAN X B ， et al . Gearbox fault diagnosis based on optimized stacked denoising auto encoder and kernel extreme learning machine ［J］. Processes ， 2023 ， 11 （ 7 ）： 1936 .

CHEN F F ， LIU L L ， TANG B P ， et al . A novel fusion approach of deep convolution neural network with auto-encoder and its application in planetary gearbox fault diagnosis ［J］. Proceedings of the Institution of Mechanical Engineers，Part O：Journal of Risk and Reliability ， 2021 ， 235 （ 1 ）： 3 - 16 .

林慧斌，王洪畅，习慈羊 . 基于深度卷积测量网络的滚动轴承压缩域故障特征提取方法［J］. 振动工程学报， 2024 ， 37 （ 3 ）： 485 - 496 .

LIN Huibin ， WANG Hongchang ， XI Ciyang . Rolling bearing fault feature extraction in the compressed domain with deep convolutional measurement network ［J］. Journal of Vibration Engineering ， 2024 ， 37 （ 3 ）： 485 - 496 .

ANTONI J ， BONNARDOT F ， RAAD A ， et al . Cyclostationary modelling of rotating machine vibration signals ［J］. Mechanical Systems and Signal Processing ， 2004 ， 18 （ 6 ）： 1285 - 1314 .

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

大型风力发电机组齿轮箱齿轮失效分析

齿轮箱的循环平稳近场声成像研究

基于自相关包络和优化MED的齿轮箱滚动轴承故障诊断

基于格子玻尔兹曼方法的重载机车齿轮箱内部压力场特性研究

基于LMD云模型与PSO-KELM的齿轮箱故障诊断