专    业：机械设计及理论

导    师：张俊 教授

毕业去向：厦门市美亚柏科信息股份有限公司

教育及工作背景：

2017年9月至2020年6月     福州大学   机械设计及理论   工学硕士学位

2013年9月至2017年6月    河南科技大学   机械设计制造及其自动化  工学学士学位

研究方向：

传动系统故障诊断

发表论文：

1.张俊,钟敏,张建群等.集成TEO解调和随机共振的行星齿轮箱早期故障诊断方法[J].振动工程学报,2019,32(06):1084-1093.

2.张俊,张建群,钟敏等.基于PSO-VMD-MCKD方法的风机轴承微弱故障诊断[J].振动.测试与诊断,2020,40(02):287-296+418.

3.Zhang Jianqun, Zhong Min, Zhang Jun*. Detection for Weak Fault in Planetary Gear Trains Based on an Improved Maximum Correlation Kurtosis Deconvolution[J] Measurement Science and Technology, 2020, 31 (2): 25101.

硕士学位论文简介：

基于随机共振和卷积神经网络的行星齿轮箱故障诊断

行星齿轮箱是现代工业设备中的重要部件，其可靠运行是生产的基本保障。出于安全性和维护成本的考虑，必须对其进行状态监测。其中，故障特征提取和故障模式识别是开展行星齿轮箱状态监测的两项重要工作。针对当前行星齿轮箱故障诊断尤其是微弱故障诊断的不足，本文提出一套基于随机共振和卷积神经网络的行星齿轮箱齿轮故障诊断方法。

首先，针对行星齿轮箱齿轮早期微弱故障特征难以有效提取这一问题，本文提出了一种基于TEO解调和随机共振的行星齿轮箱早期故障诊断方法。该方法先通过引入EMD获取单分量目标故障特征信号，进而使用TEO解调来改善特征信号的可检测性。在此基础上，通过定义LSNR为目标函数并结合PSO参数优化，建立自适应随机共振方法，以实现故障特征的提取。该方法的有效性通过仿真信号和含太阳轮裂的行星齿轮箱振动信号分析得到了验证。

其次，为提升SR模型的检测效果，综合考虑信号特点以及SR输出对系统参数的敏感性，提出基于信号预处理和特征增强的故障诊断方法。具体地，分别使用“HPF+TEO”和“VMD+TEO”策略来改善特征信噪比，并引入全局性能优异的GOA算法实现SR参数组的自适应寻优，最终实现SR在最佳参数状态下对故障特征的增强提取。方法对两类典型的太阳轮早期故障进行了准确诊断。此外，对比分析了信号预处理以及优化算法全局性能对SR诊断效力的影响。

再次，围绕行星齿轮箱齿轮故障模式识别，搭建深度卷积神经网络模型。对模型中的不同网络层，详细推导了前向计算和梯度信息的反向传播过程。为增加网络的非线性表达能力，模型引入了SELU激活函数，同时增加BN层以改善模型训练效果和鲁棒性。此外，使用GAP层对传统的FC层进行替换以实现参数减小，并在定义交叉熵损失的基础上，使用Nadam优化器更新参数。

在上述研究基础上，提出基于双通道输入卷积神经网络的行星齿轮箱齿轮故障模式分类模型。该模型具有如下典型特征：融合定参数SR信号以及原始信号的灰度图像，将其作为CNN的双通道输入；在CNN网络中，利用带BN的三层卷积结构以及“GAP+Softmax”模块分别完成特征提取和分类。利用增强的数据集训练模型，取得了99.47%验证集准确率。模型在变工况测试集上取得了大于90%的泛化准确率。引入t-SNE技术对分类过程进行特征可视化，进一步验证了模型分类的有效性。最后详细分析了各超参数对故障分类模型的影响。