齿轮箱故障诊断法

提出一种基于精细拓扑和时空图卷积网络的齿轮箱故障诊断方法，通过从距离和相似性两个度量空间构建并剪枝拓扑，结合时空特征协同提取，实现高精度、强鲁棒的故障识别。

Wei, Xiang · 刘淑杰 · 李宏坤 · Cao, Shunxin · Zhang, Kongliang · Yang, Chen

IEEE Sensors Journal 2024

参数信息

诊断准确率

99.41 %

诊断准确率

99.93 %

技术优势

拓扑更可靠

从距离和相似性两个度量空间分别构建拓扑，并通过结构相似性分析进行剪枝，得到更轻量且准确的拓扑。

特征表达更全

通过时空图卷积网络协同提取空间和时间维度的故障特征，弥补了仅聚合空间特征的不足。

抗噪能力强

在噪声环境下仍能保持较高准确率，鲁棒性验证表明该方法具有良好的抗噪性能。

应用场景

• 机械故障诊断：用于齿轮箱等关键机械部件的故障识别，保障传动系统稳定运行。
• 工业设备健康监测：通过高精度故障诊断实现设备健康状态的实时监测与预警。
• 工业机器人维护：可推广至机器人关节等传动部件的故障诊断，减少停机时间。
• 智能运维：为智能运维系统提供可靠的故障识别算法，辅助决策。