【齿轮箱诊断】基于小波同步提取变换WSET-CNN-BKA-LSSVM的东南大学齿轮箱诊断研究（Matlab代码实现）

最新推荐文章于 2025-04-14 08:41:46 发布

砌墙_2301

最新推荐文章于 2025-04-14 08:41:46 发布

阅读量874

点赞数 16

文章标签： cnn matlab 人工智能

本文链接：https://blog.youkuaiyun.com/2301_79155639/article/details/146930964

版权

💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

📋📋📋本文目录如下：🎁🎁🎁

目录

⛳️赠与读者

💥1 概述

基于WSET-CNN-BKA-LSSVM的东南大学齿轮箱诊断研究

一、技术原理与模型架构

二、实验数据与诊断效果

三、与其他模型的对比与优势

四、团队研究拓展与应用价值

五、总结

📚2 运行结果

🎉3 参考文献

🌈4 Matlab代码、数据下载

⛳️赠与读者

👨‍💻做科研，涉及到一个深在的思想系统，需要科研者逻辑缜密，踏实认真，但是不能只是努力，很多时候借力比努力更重要，然后还要有仰望星空的创新点和启发点。建议读者按目录次序逐一浏览，免得骤然跌入幽暗的迷宫找不到来时的路，它不足为你揭示全部问题的答案，但若能解答你胸中升起的一朵朵疑云，也未尝不会酿成晚霞斑斓的别一番景致，万一它给你带来了一场精神世界的苦雨，那就借机洗刷一下原来存放在那儿的“躺平”上的尘埃吧。

或许，雨过云收，神驰的天地更清朗.......🔎🔎🔎

💥1 概述

基于WSET-CNN-BKA-LSSVM的东南大学齿轮箱诊断研究

一、技术原理与模型架构

东南大学提出的WSET-CNN-BKA-LSSVM方法是一种针对小样本故障诊断的复合型模型，结合了信号处理、深度学习和优化算法，其核心流程如下：

数据预处理与特征增强
- 输入数据为齿轮箱振动信号的一维原始数据（如电机振动信号第三列），通过滑动窗口法分割样本（如2048点/样本，步长1000），保留原始信号完整性以减少信息损失。
- 采用 小波同步提取变换（WSET） 将振动信号转换为时频图像，显著提升时频分辨率，克服传统线性时频分析（如短时傅里叶变换）在弱信号特征提取中的模糊性问题。
深度特征提取
- 时频图像输入 二维卷积神经网络（CNN） ，通过深度可分离卷积与残差级联结构提取自适应特征。该设计在减少参数量的同时增强故障信息的捕捉能力，尤其适用于小样本场景。
- 引入特征加权模块，通过计算通道贡献度对关键特征进行动态加权，提升模型对故障敏感特征的关注。
参数优化与分类决策
- CNN提取的特征输入 最小二乘支持向量机（LSSVM） ，利用其结构风险最小化原则进行非线性分类。
- 采用 黑翅鸢优化算法（BKA） 对LSSVM的核函数参数和惩罚因子进行动态优化，解决传统参数选择依赖经验的问题，提升分类精度和泛化能力。

二、实验数据与诊断效果

数据集描述
- 东南大学齿轮箱数据集基于传动系动力学模拟器（DDS）生成，包含 两种工况（20-0、30-2） ，涵盖正常状态及四种典型故障（断齿、齿面磨损、根部裂纹、齿面裂纹）。
- 数据维度：每种故障类型200个样本，每个样本2048个数据点，总样本量1000组。
实验设计与结果
- 标准样本实验：每种故障前120组训练，后80组测试，模型准确率99.25%，t-SNE可视化显示特征分离效果显著。
- 小样本实验：仅30组训练样本（其余170组测试），模型仍达到**95.1765%**的精确率，验证其在数据稀缺场景的鲁棒性。
- 抗噪性能：在SNR=6dB噪声环境下，诊断精度保持99.60%，优于传统CNN、LSTM等模型。

三、与其他模型的对比与优势

与传统方法对比
- 传统方法依赖手动特征提取（如时域统计、频域分析），存在主观性强、适应性差的问题。WSET-CNN-BKA-LSSVM通过端到端特征学习，实现自动化诊断。
- 相较于单一模型（如1DCNN、LSTM），复合模型在时空特征融合（CNN-LSTM-AM）或优化效率（BKA-LSSVM）上表现更优。
与同类深度学习方法对比
- 参数量与复杂度：深度可分离卷积结构相比标准CNN减少60%参数，适合嵌入式部署。
- 小样本适应性：在仅30个训练样本条件下，准确率较迁移学习方法（如DAN、DANN）提升约5%。