梁敏健，彭曉軍，劉德陽(yáng)

(廣東省特種設(shè)備檢測(cè)研究院 珠海檢測(cè)院，廣東 珠海 519002)

0 引言

近年來(lái)，隨著起重機(jī)朝著高功率和大型化方向發(fā)展，其齒輪箱的工作環(huán)境變得復(fù)雜惡劣，故障出現(xiàn)概率增大，尤其老舊門座式起重機(jī)的安全形勢(shì)嚴(yán)峻，定期檢驗(yàn)往往不容易發(fā)現(xiàn)起重機(jī)減速箱內(nèi)部潛在的風(fēng)險(xiǎn)和故障。如減速箱齒輪磨損、軸承內(nèi)外圈故障、軸承滾子損傷等。這些故障勢(shì)必降低起重機(jī)的使用年限，嚴(yán)重影響起重機(jī)的可靠性。目前上述故障往往借助定期檢驗(yàn)和維護(hù)保養(yǎng)階段起重機(jī)的拆解才得以被發(fā)現(xiàn)。目的性差，效率低下，成本高昂，自動(dòng)化程度低。

起重機(jī)運(yùn)行過(guò)程中勢(shì)必會(huì)產(chǎn)生振動(dòng)信號(hào)，目前常常采用振動(dòng)加速度傳感器來(lái)監(jiān)測(cè)門座式起重機(jī)減速箱來(lái)了解門座式起重機(jī)的工作狀況，進(jìn)一步人工提取隱患特征，以找到門座式起重機(jī)潛在的故障源。例如，王利明提出振動(dòng)信號(hào)的變尺度解調(diào)與振動(dòng)特征提取算法并成功應(yīng)用于齒輪箱運(yùn)行狀態(tài)在線監(jiān)測(cè)系統(tǒng)[1]。王鵬基于Gabor變換的無(wú)鍵相階次跟蹤技術(shù)提取故障特征，實(shí)現(xiàn)了對(duì)旋轉(zhuǎn)機(jī)械部件在不拆機(jī)條件下的狀態(tài)監(jiān)測(cè)和識(shí)別潛在故障源[2]。馮毅提出基于連續(xù)峭度與小波瞬時(shí)能量特征融合的故障特征提取方法[3]。

隨著模式識(shí)別算法的發(fā)展，研究人員開(kāi)始應(yīng)用模式識(shí)別的方法進(jìn)行旋轉(zhuǎn)機(jī)械的故障診斷研究[4-7]。例如，吳福森提出支持向量機(jī)的起重機(jī)變速箱故障診斷方法[8]，劉俊超提出基于ICA-SVM的起重機(jī)旋轉(zhuǎn)故障診斷方法，實(shí)現(xiàn)起重機(jī)旋轉(zhuǎn)故障的自動(dòng)診斷[9]。楊武幫提出變分模態(tài)分解(VMD)改進(jìn)小波信號(hào)預(yù)處理和粒子群算法(PSO)算法優(yōu)化SVM的模型有效準(zhǔn)確地實(shí)現(xiàn)了對(duì)起重機(jī)齒輪箱的故障識(shí)別和分類[10]?？梢?jiàn)大多數(shù)傳統(tǒng)的智能診斷是采用“信號(hào)處理的特征提取+模式識(shí)別”的方法。雖然識(shí)別率有一定的提高，本質(zhì)上依然依賴人工設(shè)計(jì)與選擇特征，難以獲得最接近故障屬性特征的自然表達(dá)，導(dǎo)致訓(xùn)練時(shí)間長(zhǎng)且誤差率較高，沒(méi)有實(shí)現(xiàn)真正意義上的智能診斷。

隨著Hilton提出深度學(xué)習(xí)理論，人工智能技術(shù)得到了進(jìn)一步地發(fā)展，最著名的就是卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)，其中循環(huán)神經(jīng)網(wǎng)絡(luò)是一種處理序列數(shù)據(jù)的遞歸神經(jīng)網(wǎng)絡(luò)，在自然語(yǔ)言處理方面有著廣泛的應(yīng)用[11-15]。近年來(lái)，越來(lái)越多的學(xué)者將該深度學(xué)習(xí)方法引入到故障診斷領(lǐng)域，例如，丁頔等人利用RNN算法，無(wú)需提取時(shí)頻域特征即可實(shí)現(xiàn)對(duì)軸承故障的診斷[16]。曲星宇等人采用LSTM網(wǎng)絡(luò)實(shí)現(xiàn)了對(duì)磨礦系統(tǒng)故障的診斷[17]。王鑫CNN-LSTM算法同樣實(shí)現(xiàn)了對(duì)飛機(jī)的故障診斷的識(shí)別[18]。可見(jiàn)這類方法在大型機(jī)械中獲得了較好的效果，但是RNN循環(huán)神經(jīng)網(wǎng)絡(luò)的存在梯度爆炸和梯度消失問(wèn)題。因此，起重機(jī)減速箱的一維振動(dòng)信號(hào)有很強(qiáng)的序列性，非常適合用循環(huán)神經(jīng)網(wǎng)絡(luò)進(jìn)行處理，本研究擬建立基于LSTM神經(jīng)網(wǎng)絡(luò)的門座式起重機(jī)機(jī)械故障診斷分類模型，以期實(shí)現(xiàn)通過(guò)直接輸入原始振動(dòng)信號(hào)，便能自動(dòng)快速獲得門座式起重機(jī)減速箱機(jī)械故障的診斷分類結(jié)果。

1 門座式起重機(jī)故障診斷原理與方案

1.1 起重機(jī)減速箱故障診斷原理

減速箱是起重機(jī)重要的傳動(dòng)扭矩的部件，某二級(jí)齒輪減速箱結(jié)構(gòu)如圖1所示，主要包括齒輪副、軸系、軸承等部件，其可將電機(jī)的高轉(zhuǎn)速傳遞到合適的低轉(zhuǎn)速。

圖1 起重機(jī)減速箱結(jié)構(gòu)原理示意圖

由于起重機(jī)工況復(fù)雜，尤其是港口門座起重機(jī)又常年工作在高濕高鹽的港口環(huán)境中，減速箱容易產(chǎn)生運(yùn)行故障，如齒輪的齒根/齒面磨損、斷齒/缺齒、軸承滾子/內(nèi)圈/外圈損傷等。上述類型的損傷均會(huì)在振動(dòng)信號(hào)中體現(xiàn)出來(lái)。對(duì)于軸承，如果軸承表面出現(xiàn)故障時(shí)，滾子與故障部位接觸就會(huì)產(chǎn)生振動(dòng)信號(hào)，該信號(hào)是故障頻率和軸承固有頻率的疊加信號(hào)。對(duì)于齒輪，從動(dòng)力學(xué)方程可知，齒輪平穩(wěn)運(yùn)行時(shí)，振動(dòng)信號(hào)是嚙合頻率及其高次諧波的疊加，表達(dá)式如下：

(1)

式中，Am是幅值，f0是嚙合頻率，m是諧波階次，N是諧波數(shù)。但是當(dāng)齒輪發(fā)生故障時(shí)，齒間載荷、齒剛度等都隨時(shí)間變化，因而振動(dòng)信號(hào)的幅值、相位和頻率均會(huì)發(fā)生調(diào)制現(xiàn)象[19]，即

(2)

式中,am(t)是調(diào)幅函數(shù)，bm(t)是調(diào)相函數(shù)。由此可見(jiàn)，振動(dòng)信號(hào)往往蘊(yùn)含著某一類故障的信息。因此，如圖1所示，本文擬在減速箱軸承支座部位放置三軸振動(dòng)加速度傳感器，以全面反映檢測(cè)部位的振動(dòng)狀態(tài)。

1.2 門座起重機(jī)減速箱故障診斷系統(tǒng)方案

在上述診斷原理的基礎(chǔ)上，本文設(shè)計(jì)了基于labview的起重機(jī)減速箱故障診斷系統(tǒng)總體方案，旨在實(shí)現(xiàn)對(duì)減速箱齒輪、軸承等關(guān)鍵部件進(jìn)行振動(dòng)數(shù)據(jù)的采集，數(shù)據(jù)處理和故障診斷分類。

該方案如圖2所示，該系統(tǒng)包括三軸加速度傳感器、信號(hào)調(diào)理模塊、數(shù)據(jù)采集設(shè)備和上位機(jī)等硬件，軟件包括系統(tǒng)設(shè)置、數(shù)據(jù)采集、數(shù)據(jù)處理、故障分類、數(shù)據(jù)存儲(chǔ)、結(jié)果回放等模塊。其中數(shù)據(jù)處理模塊包括濾波，數(shù)據(jù)增強(qiáng)。故障分類模塊包括LSTM模型訓(xùn)練和LSTM故障分類。

圖2 基于labview起重機(jī)故障診斷系統(tǒng)總體方案

對(duì)于硬件部分選取PCB公司的三軸加速度傳感器，其型號(hào)為356B18，靈敏度為1 000 mV/g；信號(hào)調(diào)理和數(shù)據(jù)采集模塊選取了美國(guó)國(guó)家儀器公司CompactDAQ便攜式數(shù)據(jù)記錄儀，該模塊包括NI9234數(shù)據(jù)采集卡和cDAQ-9174機(jī)箱。該模塊最大采樣頻率為51.2 kS/s[20]。

對(duì)于軟件部分，本文基于labview完成開(kāi)發(fā)出了起重機(jī)故障診斷系統(tǒng)，設(shè)計(jì)并實(shí)現(xiàn)系統(tǒng)設(shè)置、數(shù)據(jù)采集、數(shù)據(jù)處理、故障分類、數(shù)據(jù)存儲(chǔ)、結(jié)果回放等模塊的功能。

1.3 門座起重機(jī)減速箱故障診斷流程

在上述原理和故障診斷系統(tǒng)設(shè)計(jì)的基礎(chǔ)上，基于LSTM的門座起重機(jī)減速箱診斷流程如圖3所示。

圖3 門座起重機(jī)減速箱診斷流程示意圖

流程分4個(gè)階段：數(shù)據(jù)采集、信號(hào)預(yù)處理、模型搭建、模型應(yīng)用。在數(shù)據(jù)采集階段，首先將三軸加速度傳感器置于某門座起重機(jī)減速箱的軸承支座處，利用本文開(kāi)發(fā)的基于labview的起重機(jī)振動(dòng)數(shù)據(jù)采集系統(tǒng)進(jìn)行數(shù)據(jù)采集。在數(shù)據(jù)預(yù)處理階段，將數(shù)據(jù)進(jìn)行常規(guī)濾波處理后，對(duì)數(shù)據(jù)進(jìn)行數(shù)據(jù)增強(qiáng)操作，并將數(shù)據(jù)集劃分為訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集。在模型搭建階段，首先建立LSTM模型，通過(guò)輸入的訓(xùn)練和測(cè)試數(shù)據(jù)集對(duì)創(chuàng)建模型的參數(shù)進(jìn)行不斷更新，直到達(dá)到精度要求，保存更新后的模型參數(shù)，完成模型的搭建工作；在模型應(yīng)用階段，輸入新采集的一維振動(dòng)信號(hào)，運(yùn)用訓(xùn)練好的LSTM模型對(duì)故障類型進(jìn)行判斷，從而完成整個(gè)故障診斷的工作。

1.3.1 數(shù)據(jù)采集階段

由于平時(shí)收集帶故障的門座式起重機(jī)減速箱數(shù)據(jù)比較困難，本文采用公開(kāi)的故障數(shù)據(jù)集和現(xiàn)場(chǎng)收集的數(shù)據(jù)相融合的方式進(jìn)行故障數(shù)據(jù)集的準(zhǔn)備。

對(duì)于公開(kāi)的數(shù)據(jù)集采用東南大學(xué)嚴(yán)如強(qiáng)團(tuán)隊(duì)整理的齒輪箱故障數(shù)據(jù)集[21]，該數(shù)據(jù)集包括軸承滾子故障、軸承內(nèi)圈故障故障、軸承外圈故障、軸承內(nèi)外圈聯(lián)合故障等四類類軸承故障和齒輪斷齒、缺齒、齒面磨損、齒根磨損等4類齒輪故障。對(duì)于現(xiàn)場(chǎng)數(shù)據(jù)集。本文利用開(kāi)發(fā)出的基于Labview的門座式起重機(jī)減速箱機(jī)械振動(dòng)數(shù)據(jù)采集系統(tǒng)采集大型門座式起重機(jī)減速箱的振動(dòng)信號(hào)。

融合數(shù)據(jù)集中各類型故障的典型振動(dòng)信號(hào)如圖4所示。

圖4 各故障類型的振動(dòng)信號(hào)

1.3.2 信號(hào)預(yù)處理階段

樣本的數(shù)量和質(zhì)量直接影響深度神經(jīng)網(wǎng)絡(luò)的檢測(cè)精度，為獲得具有更好泛化能力的模型，提高分類的準(zhǔn)確率，卷積神經(jīng)網(wǎng)絡(luò)需要大量的訓(xùn)練樣本，而目前門座式起重機(jī)故障并沒(méi)有諸如ImageNet等龐大的公共圖像數(shù)據(jù)庫(kù)，僅僅有一些著名的公開(kāi)旋轉(zhuǎn)機(jī)械數(shù)據(jù)集，而且未包含門座式起重機(jī)一些特有的故障特點(diǎn)，如低速重載、干擾信號(hào)多，因此為增強(qiáng)模型的泛化能力將數(shù)據(jù)集進(jìn)行重疊采樣，以增加數(shù)據(jù)樣本。

圖像增強(qiáng)的方法為幾何變換(包括旋轉(zhuǎn)、翻轉(zhuǎn)和平移等)、像素調(diào)整(亮度調(diào)節(jié)、對(duì)比度調(diào)節(jié)和添加噪聲等)，通過(guò)增加數(shù)據(jù)樣本來(lái)提高模型的魯棒性與泛化能力，本文仿照?qǐng)D像增強(qiáng)的方式采取重疊采樣的方法對(duì)門座式起重機(jī)振動(dòng)信號(hào)進(jìn)行如圖5所示的數(shù)據(jù)增強(qiáng)[22]。即用等寬的窗口在振動(dòng)信號(hào)上以一定的步長(zhǎng)滑動(dòng)，以獲得樣本信號(hào)，當(dāng)步長(zhǎng)比一個(gè)樣本長(zhǎng)度短時(shí)，樣本間即有重疊，長(zhǎng)度為L(zhǎng)的振動(dòng)信號(hào)被劃分為N=(L-Nin)/s個(gè)樣本，樣本長(zhǎng)度為Nin，窗口的滑移步長(zhǎng)為s。最后根據(jù)通用數(shù)據(jù)集劃分策略，將數(shù)據(jù)集隨機(jī)分配成訓(xùn)練集(70%)、測(cè)試集(30%)。

圖5 數(shù)據(jù)增強(qiáng)原理示意圖

2 基于LSTM算法的門座式起重機(jī)機(jī)械故障診斷模型

根據(jù)門座式起重機(jī)振動(dòng)信號(hào)的特點(diǎn)以及現(xiàn)場(chǎng)檢驗(yàn)所需的快速高精度要求，本研究采用LSTM的網(wǎng)絡(luò)處理振動(dòng)序列數(shù)據(jù)，構(gòu)建門座式起重機(jī)機(jī)械故障診斷系統(tǒng)結(jié)構(gòu)如圖7所示。

2.1 典型的循環(huán)神經(jīng)網(wǎng)絡(luò)模型

循環(huán)神經(jīng)網(wǎng)絡(luò)是深度學(xué)習(xí)領(lǐng)域應(yīng)用最多的模型之一，其常用LSTM的結(jié)構(gòu)如圖6所示[23]。

圖6 長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)(LSTM)的結(jié)構(gòu)圖

該種網(wǎng)絡(luò)當(dāng)前的輸出與之前的輸入有聯(lián)系，即該網(wǎng)絡(luò)對(duì)前面的信息的記憶且整合到輸出的計(jì)算中，隱藏層的單元不再是無(wú)連接的，而且隱藏層的輸入既有輸入層的輸出，也有上一時(shí)間隱藏層的輸出。

圖7 基于LSTM神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)框架

本文擬采用的LSTM是RNN中的特例，其架構(gòu)如圖7所示，該結(jié)構(gòu)描述的神經(jīng)元可類比傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)中隱藏層的神經(jīng)元，只是輸入和輸出比BP神經(jīng)網(wǎng)絡(luò)特殊。每個(gè)LSTM神經(jīng)元都有兩個(gè)輸入和兩個(gè)輸出，兩個(gè)輸入值分別是序列值xt和上次的記憶ct-1兩個(gè)輸出值分別是被更新的記憶單元ct-1和神經(jīng)元更新的值ht。上述輸入和輸出值是通過(guò)LSTM的3個(gè)門機(jī)制和一個(gè)刷新記憶的結(jié)構(gòu)控制，從而克服傳統(tǒng)循環(huán)神經(jīng)網(wǎng)絡(luò)梯度爆炸和梯度消失的問(wèn)題。

1)遺忘門：遺忘門ft是上一個(gè)狀態(tài)ht-1和新的輸入xt的函數(shù)，即介于0～1之間的sigmoid激活函數(shù)作用于ht-1和xt的每一個(gè)元素，得到遺忘門ft。遺忘門ft和上次記憶單元ct-1相乘，從而決定著多少百分比的記憶ct-1被下一次使用，遺忘門的表達(dá)式如式(3)：

ft=σ(Wfxt+Ufht-1+bf)

(3)

式中,Wf和Uf是要估計(jì)的參數(shù)矩陣，bf是偏置。

xt是LSTM的輸入向量，ht-1是上一個(gè)LSTM單元的輸出值。

2)輸入門:輸入門和遺忘門計(jì)算方式很類似，計(jì)算方式如(4)所示：

it=σ(Wixt+Uiht-1+bi)

(4)

輸入門it同樣也是上一個(gè)舊的狀態(tài)向量ht-1和新的輸入向量xt的函數(shù)，即介于0～1之間的sigmoid激活函數(shù)作用于ht-1和xt的每一個(gè)元素，得到輸入門it。

(5)

其中:候補(bǔ)記憶單元表達(dá)式如式(6)所示：

(6)

式中,tanh是雙曲正切激活函數(shù)。

4)輸出門：LSTM的輸出首先通過(guò)輸出門進(jìn)行更新，表達(dá)式如(7)所示：

ot=σ(Woxt+Uoht-1+bo)

(7)

接著結(jié)合輸出門ot，將內(nèi)部的信息傳遞給外部狀態(tài)ht:

ht=ot°tanh(ct)

(8)

式中,tanh函數(shù)是值域介于-1～1之間的雙曲正切函數(shù)，該函數(shù)作用于更新后的記憶單元ct后和輸出門相乘，從而得到LSTM的輸出。

2.2 基于LSTM神經(jīng)網(wǎng)絡(luò)的門座起重機(jī)機(jī)械故障模型

圖7為基于LSTM神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)框架，該網(wǎng)絡(luò)包括輸入層、LSTM層、全連接層、輸出層等部分，輸入層是經(jīng)過(guò)重疊采樣增強(qiáng)處理過(guò)的振動(dòng)信號(hào)，每個(gè)樣本1 024個(gè)點(diǎn)，重疊滑移步長(zhǎng)設(shè)為14。LSTM層單元大小為32，以增大輸入的信息量。具體參數(shù)見(jiàn)表1。

表1 LSTM的網(wǎng)絡(luò)參數(shù)結(jié)構(gòu)類型

3 實(shí)驗(yàn)結(jié)果與分析

3.1 實(shí)驗(yàn)平臺(tái)與模型訓(xùn)練

長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)門座式起重機(jī)機(jī)械故障診斷模型使用Python編程語(yǔ)言及Keras深度學(xué)習(xí)框架實(shí)現(xiàn)，模型訓(xùn)練的硬件環(huán)境為Intel i5 CPU,16 G RAM，NVIDIA GTX1050 GPU。

使用融合數(shù)據(jù)集中70%數(shù)據(jù)作為訓(xùn)練集，設(shè)模型訓(xùn)練的超參數(shù)學(xué)習(xí)率為0.000 1，批尺寸為128，最大迭代數(shù)(epochs)為40。模型訓(xùn)練的損失值曲線如圖8所示。經(jīng)對(duì)比，基于LSTM的診斷模型比傳統(tǒng)的基于CNN診斷模型在損失值方面表現(xiàn)出更為優(yōu)異的性能。

圖8 訓(xùn)練集損失值曲線

3.2 實(shí)驗(yàn)測(cè)試與結(jié)果分析

以融合數(shù)據(jù)集中30%的數(shù)據(jù)作為實(shí)驗(yàn)數(shù)據(jù)(測(cè)試集)，使用基于LSTM的算法模型進(jìn)行故障診斷識(shí)別。為準(zhǔn)確分析試驗(yàn)結(jié)果和算法模型的性能，除使用準(zhǔn)確率A(Accuracy)作為結(jié)果評(píng)價(jià)指標(biāo)外，針對(duì)每一類故障識(shí)別結(jié)果分別采用精確率P(Precision)、召回率R(Recall)以及F1值對(duì)模型的故障識(shí)別結(jié)果進(jìn)行全面評(píng)估，具體計(jì)算標(biāo)準(zhǔn)如式(9)～(11)所示，其中F1值是精確率和召回率的調(diào)和均值。上述指標(biāo)的取值范圍均在0～100%之間，并且越大越好。

(9)

(10)

(11)

式中，TPi為樣本實(shí)際是i類且模型識(shí)別為i類的數(shù)量；FPi為樣本實(shí)際不是i類但模型識(shí)別為i類的數(shù)量；FNi為樣本實(shí)際是i類但模型識(shí)別不為i類數(shù)量。

將測(cè)試集樣本輸入分類模型，根據(jù)分類結(jié)果得到混淆矩陣如圖9所示，進(jìn)而計(jì)算出模型處理振動(dòng)信號(hào)的性能指標(biāo)如表2所示。

圖9 門座式起重機(jī)機(jī)械故障診斷的混淆矩陣

表2 基于LSTM門座式起重機(jī)機(jī)械故障診斷模型的性能指標(biāo)

通過(guò)表2可以發(fā)現(xiàn)，基于LSTM的故障診斷模型對(duì)門座式起重機(jī)減速箱故障的各種類型故障預(yù)測(cè)精確率均在87%以上，召回率在88%之上，最終故障診斷整體準(zhǔn)確率達(dá)到了96.8%，滿足門座式起重機(jī)故障診斷現(xiàn)場(chǎng)檢測(cè)的精度要求。而從表3可以看出，基于CNN的故障診斷模型對(duì)門座式起重機(jī)減速箱故障的各種類型故障預(yù)測(cè)精確率最低在70%左右，召回率最低66%，最終整體準(zhǔn)確率只有92.66%，比LSTM低4.1%，從而證明基于LSTM在準(zhǔn)確率和穩(wěn)定性方面的優(yōu)勢(shì)。

表3 基于CNN門座式起重機(jī)機(jī)械故障診斷模型的性能指標(biāo)

4 結(jié)束語(yǔ)

針對(duì)門座式起重機(jī)減速箱機(jī)械故障智能診斷和分類問(wèn)題，基于長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)了應(yīng)用于門座式起重機(jī)減速箱振動(dòng)信號(hào)的自動(dòng)診斷分類模型。借助東南大學(xué)齒輪箱數(shù)據(jù)集以及現(xiàn)場(chǎng)采集的門座式起重機(jī)振動(dòng)數(shù)據(jù)，建立了門座式起重機(jī)減速箱機(jī)械故障數(shù)據(jù)集。使用數(shù)據(jù)增強(qiáng)的方式對(duì)數(shù)據(jù)集進(jìn)行預(yù)處理。采用測(cè)試數(shù)據(jù)集對(duì)模型的精度與復(fù)雜度進(jìn)行了測(cè)試實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果顯示，該模型能夠?qū)崿F(xiàn)門座式起重機(jī)減速箱機(jī)械故障分類的整體準(zhǔn)確率達(dá)96.8%,比傳統(tǒng)的CNN網(wǎng)絡(luò)精確性和穩(wěn)定性更優(yōu)，結(jié)果表明該模型能夠準(zhǔn)確地對(duì)門座式起重機(jī)減速箱機(jī)械故障進(jìn)行準(zhǔn)確分類，能初步滿足現(xiàn)場(chǎng)檢驗(yàn)對(duì)快速檢測(cè)的要求。在下一步的工作中，將繼續(xù)搜集各類門座式起重機(jī)減速箱故障數(shù)據(jù)，擴(kuò)充數(shù)據(jù)集，提高模型識(shí)別準(zhǔn)確率，同時(shí)將研發(fā)便攜式門座起重機(jī)減速箱機(jī)械故障智能診斷系統(tǒng)，提升模型的實(shí)用價(jià)值。