CN107491606A - 基于多属性卷积神经网络的变工况行星齿轮箱太阳轮故障诊断方法 - Google Patents

基于多属性卷积神经网络的变工况行星齿轮箱太阳轮故障诊断方法 Download PDF

Info

Publication number
CN107491606A
CN107491606A CN201710705029.3A CN201710705029A CN107491606A CN 107491606 A CN107491606 A CN 107491606A CN 201710705029 A CN201710705029 A CN 201710705029A CN 107491606 A CN107491606 A CN 107491606A
Authority
CN
China
Prior art keywords
attribute
mrow
layer
epicyclic gearbox
convolutional neural
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201710705029.3A
Other languages
English (en)
Inventor
单建华
佘慧莉
吕钦
张神林
王孝义
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Anhui University of Technology AHUT
Original Assignee
Anhui University of Technology AHUT
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Anhui University of Technology AHUT filed Critical Anhui University of Technology AHUT
Priority to CN201710705029.3A priority Critical patent/CN107491606A/zh
Publication of CN107491606A publication Critical patent/CN107491606A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G01M13/02—Gearings; Transmission mechanisms
    • G01M13/021—Gearings
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G01M13/02—Gearings; Transmission mechanisms
    • G01M13/028—Acoustic or vibration analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Optimization (AREA)
  • Biomedical Technology (AREA)
  • Computer Hardware Design (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Pure & Applied Mathematics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开一种基于多属性卷积神经网络的变工况行星齿轮箱太阳轮故障诊断方法，属于机械故障诊断技术领域。该方法首先采集行星齿轮箱太阳轮不同故障类型、不同转速、不同负载工况下的行星齿轮箱的振动数据，从振动数据中创建多个样本点并赋予相应的多属性标签，搭建多属性卷积神经网络，训练多属性卷积神经网络，测试时从待诊断的行星齿轮箱的振动数据中创建多个数据样本点，用训练好的多属性卷积神经网络对测试样本点进行诊断，完成对变工况行星齿轮箱太阳轮故障诊断。本发明方法能够自动提取特征，准确率高，泛化性能强，方法简单易懂，且能实现变工况下故障诊断，能同时预测转速，易于工程推广。

Description

基于多属性卷积神经网络的变工况行星齿轮箱太阳轮故障诊 断方法
技术领域：
本发明属于机械故障诊断技术领域，具体涉及一种基于多属性卷积神经网络的变工况行星齿轮箱太阳轮故障诊断方法。
背景技术：
行星齿轮箱具有重量轻、体积小、传动比大、承载能力强、传动效率高等诸多优点，因此已被广泛应用于风力发电、航空、船舶、冶金、石化、矿山、起重运输等行业的机械传动系统。行星齿轮箱通常工作在低速重载的恶劣环境下，转速和负载均有一定波动，所以太阳轮、行星轮、内齿圈和行星架等关键部件的严重磨损和疲劳裂纹等故障时有发生，这些大型复杂机械设备一旦发生故障，所造成的直接、间接损失非常大。针对定轴齿轮箱的故障诊断研究已取得了初步的成效，但行星齿轮箱不同于固定中心轴旋转的传统齿轮箱，行星齿轮箱中的齿轮运动是典型的复合运动，其振动响应比传统的齿轮箱更为复杂，故障诊断难度相较传统齿轮箱更大，传统行星齿轮箱故障诊断方法仅仅只能诊断行星齿轮箱中某一部件单一工况下的故障类型，且识别率不高，方法复杂。太阳轮作为行星齿轮箱中重要组成部分，且是故障高发部件，所以对变工况行星齿轮箱太阳轮故障诊断具有重大的现实意义。
本发明所述的多属性卷积神经网络在诊断太阳轮故障类型的同时，还能预测太阳轮转速，传统的卷积神经网络只能诊断太阳轮故障类型，可以看作是多属性卷积神经网络的特例，本发明称之为单属性卷积神经网络。本发明中所述的太阳轮故障类型包括正常、断齿故障、裂纹故障、磨损故障、缺齿故障等。
发明内容：
本发明目的在于提供一种基于多属性卷积神经网络的变工况行星齿轮箱太阳轮故障诊断方法，以解决传统行星齿轮箱太阳轮故障诊断方法诊断效果差，无法实现变工况条件下诊断，难以实际运用的技术问题。
本发明所提供的一种基于多属性卷积神经网络的变工况行星齿轮箱太阳轮故障诊断方法具体步骤如下：
(1)数据准备阶段：采集行星齿轮箱太阳轮不同故障类型、不同转速、不同负载工况下的行星齿轮箱的振动数据，从振动数据中创建多个样本点，样本点包括数据和多属性标签，这些样本点构成训练数据库，训练数据库由训练集和验证集组成，
(2)创建阶段：创建多属性卷积神经网络。
(3)训练阶段：利用训练数据库来训练多属性卷积神经网络，获得网络参数，激活函数优先选择max(-1，x)。
(4)测试阶段：采集待诊断的行星齿轮箱的振动数据，从振动数据中创建多个数据样本点，用训练好的多属性卷积神经网络对这些数据样本点进行故障诊断。
步骤(1)中所述样本点和步骤(4)中所述数据样本点中的数据创建方式为：
优先采用随机方式创建，即在随机位置处截取振动数据中的大于一个数据周期长度的最小整数个连续数据点作为一个样本点数据，优先选择k*2n个数据点作为一个样本点数据，其中k＝1、3、5，n是整数；行星齿轮箱太阳轮旋转一周，采样的数据点个数定义为数据周期。变工况条件下，行星齿轮箱太阳轮转速是不同的，样本点数据长度为大于太阳轮最小转速对应的数据周期的最小整数，且能表示为k*2n，其中k＝1、3、5，n是整数。随机创建方式的优点是卷积神经网络泛化能力强，分类精度高。
步骤(1)中样本点的多属性标签创建方式为：行星齿轮箱的多属性的数目为M，则样本点多属性标签有M维，每维数值是属性种类的序号。
步骤(2)中多属性卷积神经网络的创建方式为：多属性卷积神经网络包含输入层、卷积层、最大池化层、平均池化层、软最大化输出层，每层卷积层后接一个激活层，激活函数采用偏移修正线性单元，具体表达式为max(-1，x)，每层激活层后面接一个最大池化层；卷积层的卷积模板尺寸采用大尺寸的卷积模板，如11*1、9*1、7*1、5*1，卷积层步长为1*1；最大池化层池化窗口为2*1，步长为2*1；输入层大小为H*1*K，其中H为样本点数据长度,K为数据维度即传感器数目；单属性卷积神经网络的SoftMax(软最大化)输出层是由一个scorevector(得分向量)组成的，本发明所使用的多属性卷积神经网络的SoftMax输出层由M个score vector组成。行星齿轮箱的每个属性用一个score vector表示，每个score vector的维数等于属性种类数目。单属性卷积神经网络的风险损失是单个交叉熵函数，本发明的多属性卷积神经网络的风险损失是M个交叉熵函数的加权平均值。
单属性卷积神经网络的一个样本点i的风险损失为：
式中：向量s是得分向量，yi为样本点i的标签。
多属性卷积神经网络的一个样本点i的风险损失为：
式中：M是属性数目，Lik是属性k的风险损失，λk是属性k的权重，向量sk是属性k的得分向量，nk是属性k的属性种类数目，向量yi是多属性标签，yik为属性k的多属性标签的序号。
步骤(3)训练网络时，每次mini-batch(批量数)训练网络，每次mini-batch包含的样本点均不同，直到训练结束，这样每个样本点只参与一次训练。所有这些mini-batch样本点构成了训练集。对于行星齿轮箱太阳轮转速较小的工况，mini-batch中样本点比例要增大，以提高网络预测精度。验证集包含的样本点固定。
步骤(4)中为：将待诊断的行星齿轮箱的样本点数据输入训练好的多属性卷积神经网络中，SoftMax输出层输出M个score vector，每个score vector中最大值所在位置序号诊断为属性种类的序号，这M个属性种类的序号组成的向量为一个多属性标签，每个样本点数据诊断出一个多属性标签，则多个样本点数据诊断出多个多属性标签，采用出现次数最多的多属性标签作为行星齿轮箱太阳轮的诊断结果。
现有的行星齿轮箱的故障诊断方法存在很多不足：(1)人工提取特征，耗时耗力，且特征提取方法复杂难懂，一般工程人员难以掌握；(2)诊断方法效果不好，准确率不高；(3)诊断方法泛化能力不足，很难在实际情况推广运用；(4)无法实现变工况下的故障诊断；(5)不能同时预测转速。
本发明提出的诊断方法克服了上述缺点，具有如下优点：(1)本发明诊断方法通过多属性卷积神经网络自动提取特征，不需人工参与，方法简单易懂，便于工程推广；(2)诊断方法效果好，准确率高(3)诊断方法泛化能力强，能在实际故障诊断中取得良好效果；(4)能实现变工况下故障诊断；(5)能同时预测转速。
附图说明：
图1是本发明所创建的多属性卷积神经网络结构图；
图2是本发明中样本点数据的创建方式示意图；
图3是本发明中卷积层的计算方式示意图；
图4是本发明中最大池化层计算方式示意图；
图5是本发明中多属性标签输出示意图。
具体实施方式：
本实施例以本实验室的行星齿轮箱各类工况下采集的振动数据为例，说明本发明的具体诊断过程和效果。
本实验行星齿轮箱的振动数据用两个单向加速度传感器采集，分别安装在行星齿轮箱外壳上沿水平和铅垂方向，采样频率为8192Hz。变工况下行星齿轮箱太阳轮转频分别为10Hz、20Hz、25Hz；通过改变电流大小来改变负载大小，每种转速下负载取2种水平(空载--负载电流为0.0A和加载扭矩14Nm--负载电流为0.5A)，每种情况下负载恒定。行星齿轮箱太阳轮故障类型有正常、断齿故障、裂纹故障、磨损故障、缺齿故障5种。行星齿轮箱具体参数如表1所示：
表1：
现在结合附图对本发明做进一步详细的说明。这些附图均为简化的结构示意图，仅以示意的方式说明本发明所涉及的基本结构，因此仅显示与本发明相关的结构。
本实施例采用一种基于多属性卷积神经网络的变工况行星齿轮箱太阳轮故障诊断方法流程，包括如下具体步骤：
步骤S1，数据准备阶段：创建行星齿轮箱太阳轮故障的数据库；
步骤S2，创建阶段：创建用于诊断行星齿轮箱太阳轮故障的多属性卷积神经网络；
步骤S3，训练阶段：利用步骤S1创建的数据库来训练多属性卷积神经网络，获得网络参数，激活函数优先选择max(-1，x)。
步骤S4，测试阶段：采集待诊断的行星齿轮箱振动数据，从振动数据中创建足够数据多样本点，用训练好的多属性卷积神经网络对数据样本点进行诊断，完成对故障的诊断。
具体的，步骤S1中创建所述数据库的方法如下子步骤：
步骤S11，本实验室行星齿轮箱的振动数据分为五种行星齿轮箱
行星齿轮箱太阳轮故障类型(正常、断齿故障、裂纹故障、磨损故障、缺齿故障)，其中每种故障类型都包含不同转速、不同载荷采集的所有振动数据。
步骤S12，振动数据的采样频率为8192Hz，行星齿轮箱太阳轮转频为10Hz、20Hz、25Hz。最小转频为10Hz，此时太阳轮旋转一圈，采样的数据点数为820，820为数据周期。1280是超过数据周期820且是符合k*2n的最小整数，其中k＝5，n＝8。每种工况下的振动数据，在随机位置处截取1280个连续数据点作为一个的样本点数据，这样选取的样本点数据长度相对较短，有利于降低多属性卷积神经网络结构的复杂度和训练难度，同时能加快训练速度和减少测试时间，且能完整反映行星齿轮箱太阳轮一个周期的振动情况。如图2所示，A点为振动数据上的任意点，B点为距A点1280个数据点的点。
步骤S13，样本点多属性标签的创建，在本实施例中，行星齿轮箱的多属性包括行星齿轮箱太阳轮故障类型、转速类型共2个，M＝2。行星齿轮箱太阳轮故障类型下属性种类有5种(正常、断齿故障、裂纹故障、磨损故障、缺齿故障)分别用序号(1、2、3、4、5)表示，n1＝5；转速类型下属性种类有3类(10、20、25)Hz分别用序号(1、2、3)表示，n2＝3。多属性标签用M维向量表示，向量元素表示属性种类的序号。举例说明，如行星齿轮箱太阳轮为正常且转速为25Hz时，多属性标签为[1 3]；行星齿轮箱太阳轮为断齿故障且转速为20Hz时，多属性标签为[2 2]；行星齿轮箱太阳轮为缺齿故障且转速为10Hz时，多属性标签为[5 1]。如表2所示为各种工况下多属性标签。
表2：
步骤S2所创建的多属性卷积神经网络结构如下：网络包含输入层，卷积层、最大池化层、平均池化层、SoftMax输出层。采用平均池化层代替全连接层，可极大减小网络权重数量，降低训练难度，同时也能提高网络诊断精度。每层卷积层后都接一个激活层，激活函数采用Shifted ReLU(偏移修正线性单元)，具体表达式为max(-1，x)。每个激活层后跟一个最大池化层，卷积层不改变特征图尺寸，最大池化层减小特征图尺寸到二分之一。
网络层数设为14层，一个输入层、卷积层6层，最大池化层5层、1个平均池化层和一个SoftMax输出层。卷积层的卷积模板尺寸依次为11*1、9*1、7*1、7*1、5*1、1*1，卷积层步长均为1*1；最大池化层的池化窗口尺寸均为2*1，步长均为2*1；输入层大小为1280*1*2(样本点数据，1280是数据长度，2是数据维度，因为使用了两个加速度传感器)，最后以SoftMax层输出，网络结构如图1所示。由于本实施例行星齿轮箱的属性有2个：太阳轮故障类型、转速类型，则SoftMax输出层由2个score vector组成，太阳轮故障类型下属性种类有5种(正常、断齿故障、裂纹故障、磨损故障、缺齿故障)，第1个score vector是5维向量；转速类型下属性种类有3种(10、20、25)Hz，第2个score vector是3维向量，则最终SoftMax输出层有8(＝5+3)维。为了保证每次卷积运算后，feture maps(特征图)尺寸不变，进行卷积运算之前，需对feture maps进行Padding(填充)，即在样本点首尾各补一定数目的零，本实施例中由于卷积模板尺寸大小不一样，所以各卷积层填充的零的个数也不同，依次为：5、4、3、3、2，最后一层1*1的卷积层不需填充。网络各层的feture maps大小依次为：2、16、16、32、32、64、64、128、128、192、192、8、8、8。最后三层的feture maps大小为8等于2个score vector的维数之和，如表3所示为网络各层参数。风险损失是2个score vector风险损失的平均值。
样本点i的风险损失为：
式中：向量s1是行星齿轮箱太阳轮故障类型的得分向量，向量s2是转速类型的得分向量，[yi1yi2]是多属性标签。
表3：
如图3所示，为卷积层的计算方式，图4为最大池化层计算方式。
单属性卷积神经网络主要用于图像识别，图像尺寸是二维的，但单属性卷积神经网络也可以用于一维信号。本质上只要信号具有平移不变性，就能通过单属性卷积神经网络进行学习，不管信号是一维还是二维。图像具有平移不变性，轴承故障数据也具有平移不变性，这是本发明能采用随机截取连续数据点作为样本点的理论基础。最后实验结果验证了这一点。具体编程实现时，只需把一维信号的宽度认为是1，这样一维信号变成了二维信号的特例，即尺寸为H*1，H是样本点的长度，在本实施例中为1280。
关于单属性卷积神经网络的详细说明，可参看相关论文，教材和博客等资源，为了说明书简洁清晰，本发明不详述。
步骤S3中训练多属性卷积神经网络时所采用的超参数为：Nesterov动量随机梯度下降法，提前终止法，当迭代次数i<1000时，学习速率为0.002，正则化系数为0.0001，mini-batch(批量数)为32，动量系数为0.9；当1000≦i≦3000时，学习速率为0.0002，正则化系数为0.0001，mini-batch(批量数)为32，动量系数为0.9；当3000<i时，学习速率为0.00002，正则化系数为0.0001，mini-batch(批量数)为32，动量系数为0.9；权重初始化为高斯分布的随机数，均值为零，方差为0.1，偏置初始化为零。
数据库分为训练集和验证集。验证集中每种工况下样本点个数为240。训练集由所有迭代采用的mini-batch样本点构成，每次mini-batch都创建新的样本点，每个样本点只参与一次训练，即每个mini-batch包含的样本点都不一样，由于转速类型为10Hz的行星齿轮箱太阳轮转速较慢，信号较弱，该转速下训练集样本点数目比例要提高，本实施例转速类型为10Hz、20Hz、25Hz为2:1:1。
步骤S4中具体测试方式如下：如图5所示，测试时将测试集样本点输入训练好的多属性卷积神经网络中，SoftMax输出层输出2个score vector，分别对应太阳轮故障类型、转速类型，每个score vector中最大值所在位置序号诊断为对应属性下属性种类的序号，这2个序号构成样本点多属性标签。举例说明，如某个样本点的太阳轮故障类型得分向量为[0.03 0.04 0.90.1 0.02]，最大值为0.9，位置序号为3，所以太阳轮故障类型诊断为序号为3的裂纹故障类型；转速类型得分向量为[0.02 0.95 0.1]，最大值为0.95，位置序号为2，所以转速类型诊断为序号为2的20Hz；此时该样本点多属性标签为[3 2]。
采用提前终止法，当验证集准确率为97.2％时，测试集准确率为96.56％，准确率是指太阳轮故障类型、转速类型均诊断正确的样本点所占比例。仅太阳轮故障类型诊断正确的样本点所占比例为：96.67％；仅转速类型诊断正确的样本点所占比例为：99.90％；各种工况下，太阳轮故障类型和转速类型均诊断正确的样本点所占比例如表4所示。
这里特别强调下，测试集准确率96.56％，虽然没有达到100％。但96.56％是任一样本点的准确率，实际测试时，可以创建多个如100个，采用出现次数最多的多属性标签作为变工况行星齿轮箱太阳轮的定量故障诊断结果，这时出现误判的概率接近零。
表4：
综上所述，基于多属性卷积神经网络的行星齿轮箱太阳轮故障诊断方法，能通过多属性卷积神经网络自动提取特征，准确率高，且泛化性能强，能准确诊断故障类型和转速，故本发明对变工况下行星齿轮箱太阳轮故障诊断有重要意义。
以上所述的实施例仅仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变型和改进，均应落入本发明权利要求书确定的保护范围内。

Claims (8)

1.一种基于多属性卷积神经网络的变工况行星齿轮箱太阳轮故障诊断方法，其特征在于所述诊断方法具体步骤如下：
(1)数据准备阶段：采集行星齿轮箱太阳轮的不同故障类型、不同转速及不同负载工况下的行星齿轮箱的振动数据，从振动数据中创建多个样本点，所述样本点包括数据和多属性标签，所述样本点构成训练数据库，训练数据库由训练集和验证集组成；
(2)创建阶段：创建多属性卷积神经网络；
(3)训练阶段：利用训练数据库来训练多属性卷积神经网络，获得网络参数；
(4)测试阶段：采集待诊断的行星齿轮箱的振动数据，从振动数据中创建多个数据样本点，用训练好的多属性卷积神经网络对所述数据样本点进行故障诊断。
2.根据权利要求1所述的故障诊断方法，其特征在于步骤(1)中所述样本点和步骤(4)中所述数据样本点中的数据创建方式为：优先采用随机方式创建，即在随机位置处截取振动数据中的大于一个数据周期长度的最小整数个连续数据点作为一个样本点数据，优先选择k*2n个数据点作为一个样本点数据，其中k＝1、3、5，n是整数；行星齿轮箱太阳轮旋转一周，采样的数据点个数定义为数据周期；变工况条件下，行星齿轮箱太阳轮转速是不同的，样本点数据长度为大于太阳轮最小转速对应的数据周期的最小整数，且能表示为k*2n，其中k＝1、3、5，n是整数。
3.根据权利要求1所述的故障诊断方法，其特征在于所述步骤(1)中所述多属性标签创建方式为：行星齿轮箱的多属性的数目为M，则样本点多属性标签有M维，每维数值是属性种类的序号。
4.根据权利要求1所述的故障诊断方法，其特征在于所述步骤(2)中所述多属性卷积神经网络的创建方式为：所述多属性卷积神经网络包含输入层、卷积层、最大池化层、平均池化层及软最大化输出层，每层卷积层后接一个激活层，激活函数采用偏移修正线性单元，具体表达式为max(-1，x)，每层激活层后面接一个最大池化层；卷积层的卷积模板尺寸采用大尺寸的卷积模板，如11*1、9*1、7*1、5*1，卷积层步长为1*1；最大池化层池化窗口为2*1，步长为2*1；输入层大小为H*1*K，其中H为样本点数据长度，K为数据维度即传感器数目；软最大化输出层由M个得分向量组成；变工况行星齿轮箱的每个属性用一个得分向量表示，每个得分向量的维数等于属性种类数目；多属性卷积神经网络的风险损失是M个交叉熵函数的加权平均值；
所述的多属性卷积神经网络的一个样本点i的风险损失为：
<mrow> <mtable> <mtr> <mtd> <mrow> <msub> <mi>L</mi> <mi>i</mi> </msub> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>M</mi> </munderover> <msub> <mi>&amp;lambda;</mi> <mi>k</mi> </msub> <msub> <mi>L</mi> <mrow> <mi>i</mi> <mi>k</mi> </mrow> </msub> </mrow> </mtd> <mtd> <mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>k</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>M</mi> </munderover> <msub> <mi>&amp;lambda;</mi> <mi>k</mi> </msub> <mo>=</mo> <mn>1</mn> </mrow> </mtd> </mtr> </mtable> <mo>,</mo> <msub> <mi>&amp;lambda;</mi> <mi>k</mi> </msub> <mo>&gt;</mo> <mn>0</mn> </mrow>
<mrow> <msub> <mi>L</mi> <mrow> <mi>i</mi> <mi>k</mi> </mrow> </msub> <mo>=</mo> <mo>-</mo> <mi>l</mi> <mi>o</mi> <mi>g</mi> <mrow> <mo>(</mo> <mfrac> <msup> <mi>e</mi> <mrow> <msub> <mi>sk</mi> <msub> <mi>y</mi> <mrow> <mi>i</mi> <mi>k</mi> </mrow> </msub> </msub> </mrow> </msup> <mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mrow> <mi>n</mi> <mi>k</mi> </mrow> </munderover> <msup> <mi>e</mi> <mrow> <msub> <mi>sk</mi> <mi>j</mi> </msub> </mrow> </msup> </mrow> </mfrac> <mo>)</mo> </mrow> <mo>,</mo> <mrow> <mo>(</mo> <mi>k</mi> <mo>=</mo> <mn>1</mn> <mo>,</mo> <mn>2</mn> <mo>,</mo> <mo>...</mo> <mo>,</mo> <mi>M</mi> <mo>)</mo> </mrow> </mrow>
式中：M是属性数目，Lik是属性k的风险损失，λk是属性k的权重，向量sk是属性k的得分向量，nk是属性k的属性种类数目，向量yi是多属性标签，yik为属性k的多属性标签的序号。
5.根据权利要求1所述的故障诊断方法，其特征在于所述步骤(3)为：用训练数据库进行多属性卷积神经网络训练时，每次选取批量数进行训练网络，每次批量数包含的样本点均不同，直到训练结束，这样每个样本点只参与一次训练；所有这些批量数样本点构成了训练集；对于行星齿轮箱太阳轮转速较小的工况，批量数中样本点比例要增大，以提高网络预测精度；验证集包含的样本点固定。
6.根据权利要求1所述的故障诊断方法，其特征在于所述步骤(4)为：将待诊断的行星齿轮箱的样本点数据输入训练好的多属性卷积神经网络中，软最大化输出层输出M个得分向量，每个得分向量中最大值所在位置序号诊断为属性种类的序号，这M个属性种类的序号组成的向量为一个多属性标签，每个样本点数据诊断出一个多属性标签，则多个样本点数据诊断出多个多属性标签，采用出现次数最多的多属性标签作为行星齿轮箱太阳轮的诊断结果。
7.根据权利要求4所述的故障诊断方法，其特征在于对于样本点长度为1280的样本点，所述多属性卷积神经网络的具体结构为：网络层数为14层，一个输入层、卷积层6层、最大池化层5层、1个平均池化层和一个软最大化输出层；所述卷积层的卷积模板尺寸依次为11*1、9*1、7*1、7*1、5*1、1*1，所述卷积层步长均为1*1；所述最大池化层的池化窗口尺寸均为2*1，步长均为2*1；所述输入层大小为1280*1*2，最后以所述软最大化层输出，所述软最大化输出层由M个得分向量组成，行星齿轮箱太阳轮的每个属性用一个得分向量表示，每个得分向量的维数等于对应属性下属性种类数目；为保证每次卷积运算后，特征图尺寸不变，进行卷积运算之前，需对特征图进行填充，即在样本点首尾各补一定数目的零，由于卷积模板尺寸大小不一样，所以各卷积层填充的零的个数也不同，依次为：5、4、3、3、2，最后一层1*1的卷积层不需填充；网络各层的特征图大小依次为：2、16、16、32、32、64、64、128、128、192、192、8、8、8。
8.根据权利要求7所述的故障诊断方法，其特征在于对于训练所述多属性卷积神经网络时采用的超参数为：Nesterov动量随机梯度下降法，提前终止法，当迭代次数i<1000时，学习速率为0.002，正则化系数为0.0005，批量数为32，动量系数为0.9；当1000≦i≦3000时，学习速率为0.0002，正则化系数为0.0001，批量数为32，动量系数为0.9；当3000<i时，学习速率为0.00002，正则化系数为0.0001，批量数为32，动量系数为0.9；权重初始化为高斯分布的随机数，均值为零，方差为0.1，偏置初始化为零。
CN201710705029.3A 2017-08-17 2017-08-17 基于多属性卷积神经网络的变工况行星齿轮箱太阳轮故障诊断方法 Pending CN107491606A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710705029.3A CN107491606A (zh) 2017-08-17 2017-08-17 基于多属性卷积神经网络的变工况行星齿轮箱太阳轮故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710705029.3A CN107491606A (zh) 2017-08-17 2017-08-17 基于多属性卷积神经网络的变工况行星齿轮箱太阳轮故障诊断方法

Publications (1)

Publication Number Publication Date
CN107491606A true CN107491606A (zh) 2017-12-19

Family

ID=60646371

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710705029.3A Pending CN107491606A (zh) 2017-08-17 2017-08-17 基于多属性卷积神经网络的变工况行星齿轮箱太阳轮故障诊断方法

Country Status (1)

Country Link
CN (1) CN107491606A (zh)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108122562A (zh) * 2018-01-16 2018-06-05 四川大学 一种基于卷积神经网络和随机森林的音频分类方法
CN108122075A (zh) * 2017-12-22 2018-06-05 胜利油田鲁明油气勘探开发有限公司 一种基于卷积神经网络强化学习的有杆泵工况智能监测方法
CN108510153A (zh) * 2018-02-08 2018-09-07 同济大学 一种多工况旋转机械故障诊断方法
CN108596261A (zh) * 2018-04-28 2018-09-28 重庆青山工业有限责任公司 基于生成对抗网络模型的齿轮参数过采样方法
CN108717496A (zh) * 2018-05-22 2018-10-30 北京无线电测量研究所 雷达天线阵面故障检测方法及系统
CN108896296A (zh) * 2018-04-18 2018-11-27 北京信息科技大学 一种基于卷积神经网络的风电齿轮箱故障诊断方法
CN109583092A (zh) * 2018-11-30 2019-04-05 中南大学 一种多层次多模式特征提取的智能机械系统故障诊断方法
CN109725626A (zh) * 2018-11-20 2019-05-07 厦门大学 一种多旋翼无人机动力系统故障在线诊断系统及方法
CN109932174A (zh) * 2018-12-28 2019-06-25 南京信息工程大学 一种基于多任务深度学习的齿轮箱故障诊断方法
CN110082101A (zh) * 2018-01-23 2019-08-02 中国航发商用航空发动机有限责任公司 基于输入输出扭矩动力学特性的行星齿轮系统故障监测方法
CN110398370A (zh) * 2019-08-20 2019-11-01 贵州大学 一种基于hts-cnn模型的轴承故障诊断方法
CN111397902A (zh) * 2020-03-22 2020-07-10 华南理工大学 一种基于特征对齐卷积神经网络的滚动轴承故障诊断方法
CN115310498A (zh) * 2022-10-12 2022-11-08 青岛明思为科技有限公司 一种基于神经网络的变转速工况下旋转机械故障分类方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105606360A (zh) * 2015-11-24 2016-05-25 国网内蒙古东部电力有限公司电力科学研究院 基于多传感器信息融合的变工况行星齿轮箱故障诊断方法
CN106197999A (zh) * 2016-07-08 2016-12-07 安徽德衍智控科技有限公司 一种行星齿轮故障诊断方法
CN106383028A (zh) * 2016-09-05 2017-02-08 北京航空航天大学 一种齿轮箱故障的诊断方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105606360A (zh) * 2015-11-24 2016-05-25 国网内蒙古东部电力有限公司电力科学研究院 基于多传感器信息融合的变工况行星齿轮箱故障诊断方法
CN106197999A (zh) * 2016-07-08 2016-12-07 安徽德衍智控科技有限公司 一种行星齿轮故障诊断方法
CN106383028A (zh) * 2016-09-05 2017-02-08 北京航空航天大学 一种齿轮箱故障的诊断方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
MING ZHAO等: "《Instantaneous speed jitter detection via encoder signal and its application for the diagnosis of planetary gearbox》", 《MECHANICAL SYSTEMS AND SIGNAL PROCESSING》 *
董海鹰: "《智能控制理论及应用》", 30 September 2016, 中国铁道出版社 *

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108122075A (zh) * 2017-12-22 2018-06-05 胜利油田鲁明油气勘探开发有限公司 一种基于卷积神经网络强化学习的有杆泵工况智能监测方法
CN108122562A (zh) * 2018-01-16 2018-06-05 四川大学 一种基于卷积神经网络和随机森林的音频分类方法
CN110082101A (zh) * 2018-01-23 2019-08-02 中国航发商用航空发动机有限责任公司 基于输入输出扭矩动力学特性的行星齿轮系统故障监测方法
CN108510153A (zh) * 2018-02-08 2018-09-07 同济大学 一种多工况旋转机械故障诊断方法
CN108510153B (zh) * 2018-02-08 2022-09-16 同济大学 一种多工况旋转机械故障诊断方法
CN108896296A (zh) * 2018-04-18 2018-11-27 北京信息科技大学 一种基于卷积神经网络的风电齿轮箱故障诊断方法
CN108596261A (zh) * 2018-04-28 2018-09-28 重庆青山工业有限责任公司 基于生成对抗网络模型的齿轮参数过采样方法
CN108717496A (zh) * 2018-05-22 2018-10-30 北京无线电测量研究所 雷达天线阵面故障检测方法及系统
CN108717496B (zh) * 2018-05-22 2022-04-05 北京无线电测量研究所 雷达天线阵面故障检测方法及系统
CN109725626A (zh) * 2018-11-20 2019-05-07 厦门大学 一种多旋翼无人机动力系统故障在线诊断系统及方法
CN109725626B (zh) * 2018-11-20 2020-10-09 厦门大学 一种多旋翼无人机动力系统故障在线诊断系统及方法
CN109583092B (zh) * 2018-11-30 2020-07-14 中南大学 一种多层次多模式特征提取的智能机械系统故障诊断方法
CN109583092A (zh) * 2018-11-30 2019-04-05 中南大学 一种多层次多模式特征提取的智能机械系统故障诊断方法
CN109932174A (zh) * 2018-12-28 2019-06-25 南京信息工程大学 一种基于多任务深度学习的齿轮箱故障诊断方法
CN110398370A (zh) * 2019-08-20 2019-11-01 贵州大学 一种基于hts-cnn模型的轴承故障诊断方法
CN111397902A (zh) * 2020-03-22 2020-07-10 华南理工大学 一种基于特征对齐卷积神经网络的滚动轴承故障诊断方法
CN115310498A (zh) * 2022-10-12 2022-11-08 青岛明思为科技有限公司 一种基于神经网络的变转速工况下旋转机械故障分类方法

Similar Documents

Publication Publication Date Title
CN107491606A (zh) 基于多属性卷积神经网络的变工况行星齿轮箱太阳轮故障诊断方法
CN103398843B (zh) 基于多分类相关向量机的行星齿轮箱太阳轮故障分类方法
CN107179194A (zh) 基于卷积神经网络的旋转机械故障定性诊断方法
CN110361176B (zh) 一种基于多任务特征共享神经网络的智能故障诊断方法
CN107451340A (zh) 基于多属性卷积神经网络的旋转机械故障定量诊断方法
CN112665852B (zh) 一种基于深度学习的变工况行星齿轮箱故障诊断方法及装置
CN107526853A (zh) 基于层叠卷积网络的滚动轴承故障模式识别方法及装置
Gomez et al. Angular modeling of a rotating machine in non-stationary conditions: Application to monitoring bearing defects of wind turbines with instantaneous angular speed
CN111046945A (zh) 基于组合卷积神经网络的故障类型及损坏程度诊断方法
CN111458144B (zh) 一种基于卷积神经网络的风力发电机故障诊断方法
CN109000922A (zh) 基于道路测试的综合传动装置台架耐久性试验方法
CN107449603A (zh) 基于支持向量机的风机故障诊断方法
CN111413091B (zh) 一种基于数据驱动的强噪声干扰下齿轮箱故障诊断方法
CN109029974A (zh) 一种基于一维卷积神经网络的行星齿轮箱故障检测方法
CN111444871A (zh) 一种多尺度深度卷积神经网络行星齿轮箱故障诊断方法
CN109858352A (zh) 一种基于压缩感知与改进多尺度网络的故障诊断方法
CN112577748A (zh) 基于强化的轻量级多尺度cnn的滚动轴承故障诊断方法
Li et al. Early gear pitting fault diagnosis based on bi-directional LSTM
CN109726772A (zh) 基于多流融合模型的行星齿轮箱智能诊断方法
CN109682596A (zh) 非均衡样本下高速重载输入级故障诊断方法
CN106600537A (zh) 一种反距离权重的异向性三维空间插值方法
CN107451624A (zh) 基于正交化局部连接网络的机械装备健康状态识别方法
Rao et al. A new strategy for rotating machinery fault diagnosis under varying speed conditions based on deep neural networks and order tracking
CN112766200A (zh) 基于一维卷积神经网络的行星齿轮箱小样本故障诊断方法
CN114295368A (zh) 一种多通道融合的风电行星齿轮箱故障诊断方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20171219

WD01 Invention patent application deemed withdrawn after publication