基于机器学习对旋转矢量(Rotary vector,RV)减速器进行状态监测,对提高RV减速器的可靠性和安全性具有重要意义.然而,在工程应用中,故障样本缺失是制约人工智能诊断发展的根本原因.为解决RV减速器故障样本不足的问题,提出了基于RV减速器动力学仿真的智能诊断方法.首先,建立正常状态下的RV减速器动力学模型,采用皮尔逊相关系数修正模型,获取较为精确的动力学模型.其次,建立齿轮故障数学模型并添加至正常RV减速器动力学模型中,计算生成故障样本库作为人工智能诊断模型的训练样本,用于待诊断测试样本分类.最后,将仿真得到的故障样本作为训练样本,实验测试得到的未知故障样本作为测试样本,通过卷积神经网络进行故障分类,结果表明:基于RV减速器动力学模型的智能诊断方法可解决故障样本缺失导致分类精度低的问题.基于机器学习对旋转矢量(Rotary vector,RV)减速器进行状态监测,对提高RV减速器的可靠性和安全性具有重要意义.然而,在工程应用中,故障样本缺失是制约人工智能诊断发展的根本原因.为解决RV减速器故障样本不足的问题,提出了基于RV减速器动力学仿真的智能诊断方法.首先,建立正常状态下的RV减速器动力学模型,采用皮尔逊相关系数修正模型,获取较为精确的动力学模型.其次,建立齿轮故障数学模型并添加至正常RV减速器动力学模型中,计算生成故障样本库作为人工智能诊断模型的训练样本,用于待诊断测试样本分类.最后,将仿真得到的故障样本作为训练样本,实验测试得到的未知故障样本作为测试样本,通过卷积神经网络进行故障分类,结果表明:基于RV减速器动力学模型的智能诊断方法可解决故障样本缺失导致分类精度低的问题. 机械工程学报Read More