2022年 第 46卷 第 4期 Journal ofMechanical Transmission
基于 SPS与 CNN的行星齿轮箱故障特征提取与诊断研究
郑 攀
1
周建华
1
高素杰
1
陈 奔
1
刘祥雄
2
巫世晶
1
（1 武汉大学 动力与机械学院， 湖北 武汉 430072）
（2 国能云南新能源有限公司， 云南 昆明 650214）
摘要 针对行星齿轮箱结构和运行工况复杂， 导致信号故障特征提取困难的问题， 通过分析行
星轮系振动机理， 初步推导出 含故障齿轮箱振动信号频谱特征； 运用 谐波乘积谱（Harmonic product
spectrum， HPS）与边带乘积谱（Sideband product spectrum， SPS）的方法， 在噪声干扰以及故障冲击不
明显的条件下， 准确提取到了 仿真信号的故障特征频率。 进一步采集不同 运行工况、 不同 故障状态
下的行星齿轮箱振动信号， 将提取后的故障特征输入到卷积神经网 络中进行故障识别， 成功获取到
齿轮箱的故障信息， 证明了 该方法在行星齿轮箱故障诊断方面的可行性。
关键词 行星轮系 故障特征提取 谐波乘积谱 边频乘积谱 卷积神经网络
Research of Fault Feature Extraction and Diagnosis of Planetary Gear Train
based on SPS and CNN
Zheng Pan 1 Zhou Jianhua 1 Gao Sujie 1 Chen Ben 1 Liu Xiangxiong 2 Wu Shijing 1
（1 School of Power and Mechanical Engineering，Wuhan University，Wuhan 430072，China）
（2 Guoneng Yunnan New Energy Co.，Ltd.， Kunming 650214，China）
Abstract In order to solve the problem that the complex structure and operating conditions of planetary
gear box lead to the difficulty of signal fault feature extraction， the frequency spectrum feature of gearbox vibra
tion signal with faults is preliminarily deduced by analyzing the vibration mechanism of planetary gear train. The
method of harmonic product spectrum（HPS） and sideband product spectrum（SPS） is used to accurately ex
tract the fault characteristic frequencies of the simulation signals under the condition that the noise interference
and fault impact are not obvious. The vibration signals of the planetary gearbox under different operating condi
tions and different fault states are further collected， and the extracted fault features are input into the convolu
tional neural network for fault identification. The fault information of the gearbox is obtained successfully， which
proves the feasibility of the proposed method in fault diagnosis of the planetary gearbox.
Key words Planetary gear train Fault feature extraction Harmonic product spectrum Sideband
product spectrum Convolutional neural network
0 引言
行星齿轮箱承载能力强且传动比大， 功率体积
比小， 被广泛应用于风力发电、 船舶与航空等领域。
然而， 受制造安装误差和恶劣运行环境等的影响，
行星齿轮箱在实际服役过程中故障率较高， 由故障
引起的经济损失较大。 在齿轮箱发生故障的初期及
时诊断并制定检修方案， 可以减少故障， 提高设备
的可靠性。
故障特征的提取是故障诊断技术的核心部分。
行星齿轮箱运行工况复杂， 振动激励源多， 故障关
联性强， 齿轮啮合冲击、 故障冲击、 外界随机冲击
等多种冲击源共存 [1] ， 同时， 受环境噪声以及振动传
递路径的影响， 在复杂工况下提取齿轮箱早期微弱
故障特征十分困难。 丁显等 [2] 提出了一种基于无参数
经验小波变换的方法， 能在无需预设任何参数的情
况下对振动信号进行自 适应分解与故障特征提取；
杨国安等 [3] 利用小波包对机械故障信号分解后重构，
用时域分析方法提取对故障敏感的特征参数， 实现
了对往复机械等复杂机械的故障诊断； 王宏超等 [4] 利
文章编号：1004-2539（2022）04-0073-07 DOI：10. 16578/j. issn. 1004. 2539. 2022. 04. 011
73