CNN-LSTM齿轮箱诊断模型

抗扰诊断精度高

结合卷积与长短期记忆网络，并采用Adam优化，在工况干扰下实现比现有模型更快更准的齿轮箱故障诊断。

康济川 · Xu, Zhu · Li, Shen · Li, Mingxin

Renewable Energy 2024

技术优势

诊断更快

模型采用Adam优化算法，提高学习收敛效率，从而加快故障诊断速度。

抗噪能力强

在实际工况干扰下仍能有效提取故障特征，实现对多种故障的诊断。

故障特征提取优

CNN和LSTM的结合能够高效提取信号的局部特征并增强时间序列分析性能。

应用场景

• 旋转机械状态监测：用于波浪能转换器齿轮箱的状态监测，及时识别故障。
• 装备智能运维：替代人工巡检，实现数据驱动的智能维护。
• 风电齿轮箱诊断：同样的齿轮箱诊断方法可迁移应用于风电齿轮箱。