本工具是一款高效的 基于时空神经网络的齿轮箱故障诊断分析工具, 支持 振动信号处理 多传感器数据融合 故障特征提取 等复杂场景。 利用先进的 时空图卷积网络 (ST-GCN) 算法,智能识别齿轮断齿、点蚀、磨损等故障模式, 显著提升您的 设备维护效率与研究深度。
建议对原始振动信号进行去噪、归一化处理,并采用滑动窗口截取时序片段以提高模型鲁棒性。
利用图卷积网络(GCN)捕捉传感器间的空间拓扑关系,结合 LSTM/GRU 提取时间维度的动态依赖特征。
目前支持文本化的数据描述。请将 CSV 或 MATLAB 处理后的统计特征(如均方根值、峭度)输入工具中进行分析。
基于 2026 年最新的时空神经网络架构,在标准齿轮箱数据集(如 CWRU)上故障识别率通常可达 98% 以上。