CN108106841A - 基于内置编码器信号的行星齿轮箱智能故障诊断方法 - Google Patents
基于内置编码器信号的行星齿轮箱智能故障诊断方法 Download PDFInfo
- Publication number
- CN108106841A CN108106841A CN201711397302.7A CN201711397302A CN108106841A CN 108106841 A CN108106841 A CN 108106841A CN 201711397302 A CN201711397302 A CN 201711397302A CN 108106841 A CN108106841 A CN 108106841A
- Authority
- CN
- China
- Prior art keywords
- neural networks
- convolutional neural
- epicyclic gearbox
- networks model
- signal
- 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
Links
Classifications
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
基于内置编码器信号的行星齿轮箱智能故障诊断方法,先利用编码器数据采集卡读取行星齿轮箱中输出轴位置的内置编码器信号,得到测试轴的角位置信号,然后采用多项式拟合法获取行星齿轮箱的瞬时角加速度信号,对瞬时角加速度信号进行分段得到训练集、验证集和测试集;再构建深度卷积神经网络模型;然后利用训练集训练深度卷积神经网络模型,通过验证集和批随机梯度下降法调整每层网络的参数,得到最终的卷积神经网络模型;最后将测试数据输入卷积神经网络模型,对故障进行识别和分类;本发明简化了数据采集程序、降低了测试费用,同时信号包含大量的健康状态信息,使用卷积神经网络易于故障特征的提取和监测诊断的智能化和自动化。
Description
技术领域
本发明涉及行星齿轮箱故障诊断技术领域,特别涉及基于内置编码器信号的行星齿轮箱智能故障诊断方法。
背景技术
行星齿轮箱由于结构紧凑,传动比大和承载能力强等优点被广泛应用于汽车、船舶、风电、航空等领域,然而由于受制造安装误差,恶劣工作环境的影响,太阳轮、行星轮和内齿圈等关键部件经常发生各种故障。一旦行星齿轮箱发生故障,轻则引起机械设备停机,重则带来巨大财产损失甚至人员伤亡,因此,对行星齿轮箱进行健康监测和故障诊断具有重要意义。
不同于传统的定轴齿轮箱,行星齿轮箱中的齿轮运动是典型的复合运动,其振动信号相应比传统的齿轮箱更为复杂,使得常用的定轴齿轮箱的信号分析方法无法完全照搬。在行星齿轮箱中,振动传感器测得的信号为多个齿啮合振动的耦合,且易受传递路径及其他部件的干扰。甚至在一些应用中,传感器的安装也受到一定的限制:如航空发动机中由于结构的限制及高温的工作环境使得传感器安装困难,综上这些问题都加大了行星齿轮箱故障诊断的难度。
近年来,内置编码器信号由于受传递路径影响小,安装限制小,信噪比高,且包含丰富的机械健康状态信息等优点,已经吸引了大量学者基于该信号进行行星齿轮箱故障诊断研究。但是目前使用编码器信号进行故障诊断通常需要繁琐的信号处理方法,逐步提取故障相关的特征进行诊断,该过程依靠许多主观因素、专业知识和先验知识。因此这些方法可能会漏掉一些故障特征,且易造成误诊和漏诊,使得行星齿轮箱故障诊断精度较低。
发明内容
为了克服上述现有技术的缺点,本发明的目的在于提供了一种基于内置编码器信号的行星齿轮箱智能故障诊断方法,简化了数据采集程序,同时信号包含大量的健康状态信息,使用卷积神经网络易于故障特征的提取和监测诊断的智能化和自动化。
为了达到上述目的,本发明采取的技术方案为:
基于内置编码器信号的行星齿轮箱智能故障诊断方法,包括以下步骤:
步骤一,对于不同的健康状态的行星齿轮箱,利用编码器数据采集卡读取行星齿轮箱中输出轴位置的内置编码器信号,得到测试轴的角位置信号,记为x(t);
步骤二,采用多项式拟合法获取行星齿轮箱的瞬态运动信息,对x(t)进行多项式拟合,并进行二阶差分得到瞬时角加速度信号a(t);
步骤三,对步骤二中的瞬时角加速度信号a(t)进行分段得到训练集、验证集和测试集;
步骤四,构建深度卷积神经网络模型,深度卷积神经网络模型包括卷积层、池化层、全连接层和分类器输出层,并初始化每一层网络的参数,其中卷积、池化及全连接层用于特征提取,分类器输出层用于故障识别和分类;
步骤五,利用步骤三得到的训练集训练步骤四的深度卷积神经网络模型,通过验证集和批随机梯度下降法调整每层网络的参数,得到最终的卷积神经网络模型;
步骤六,将测试数据输入步骤五最终的卷积神经网络模型,对故障进行识别和分类。
所述的卷积神经网络模型包括1个输入层、2个卷积层与池化层、1个全连接层、1个Dropout层和1个分类输出层。
本发明与现有技术相比,具有以下的有益效果:
a)提出了基于内置编码器信号的智能故障诊断方法,用编码器原始角度域信号的二阶差分作为输入,能够直接反映由故障引起的扭转振动。
b)比较于振动信号,编码器信号具有安装限制小、信号获取方便且成本低、受传递路径干扰小等优点,结合卷积神经网络更符合大数据时代的智能诊断趋势。
c)通过设计多层神经网络结构,可以自适应地学习数据内部的高维特征,避免人为手工设计特征的缺点,同时可以达到非常高的故障识别率。
d)加入Dropout层,可以避免卷积神经网络模型的过拟合,提高模型的泛化能力。
附图说明
图1为本发明实施例试验台结构示意图。
图2为本发明方法的流程图。
图3为本发明实施例所用的4种不同故障类型的行星齿轮:(a)齿面剥落;(b)齿角剥落;(c)齿面磨损;(d)齿根裂纹。
图4为本发明构建的深度卷积神经网络结构。
图5为本发明实施例所用的不同故障的行星轮。
图6为本发明实施例的测试精度。
具体实施方式
下面结合附图和实施例对本发明做详细描述。
以下将以某行星齿轮箱行星轮故障检测实验台为例进行说明,如图1所示,该实验台由磁粉制动器1、编码器2、三个均匀分布的行星轮3、太阳轮4、内齿圈5、轴承6、联轴器7以及驱动电机8等组成。行星架与输出轴相连,两个编码器2安装在行星齿轮箱输入轴和输出轴处,整个装置由驱动电机8驱动,将扭矩从输入轴沿行星齿轮箱传递到输出端的磁粉制动器1,磁粉制动器1完成加载过程。
具体参数如下:
1)驱动电机8额定功率:1.2kW,额定转速:40Hz;
2)行星齿轮箱传动比:5.1:1,内齿圈5齿数:82,模数:1,行星轮3齿数:31,模数:1,太阳轮4齿数:20,模数:1;
3)磁粉制动器1额定功率下的扭矩0.06N*m。
如图2所示,基于内置编码器信号的行星齿轮箱智能故障诊断方法,包括以下步骤:
步骤一,如图3所以,采集5种健康状况(包括4种故障和正常的行星轮)的行星齿轮箱输出轴的编码器信号,利用数据采集卡从输出轴端的编码器2进行高频采样,得到测试轴的角位置信号,记为x(t);
步骤二,采用多项式拟合法获取行星齿轮箱的瞬态运动信息,对x(t)进行多项式拟合,并进行二阶差分得到瞬时角加速度信号a(t);
步骤三,对步骤二得到的每种健康状态齿轮的瞬时角加速度信号a(t)进行切片形成长度为1000的样本,如图4所示,形成训练集,验证集以及测试集;
步骤四,构建深度卷积神经网络模型,如图5所示,本实施例构建了8层卷积神经网络模型用于行星齿轮箱故障诊断;卷积神经网络模型包括,1个输入层、2个卷积池化层、1个全连接层和1个分类输出层;其中输入层为步骤三得到的大小为1000×1的样本;在卷积层中,卷积核大小分别为101×1和51×1,卷积核的个数都为20;池化层使用最大池化操作,窗口大小为2×1,步长为2;2个卷积池化层后加入Dropout层以防止模型的过拟合;全连接层包含200个神经元;输出层采用Softmax分类器,包含5个神经元,识别5种健康状态;初始化各层网络的权重和偏置值,学习率设置为0.001,权重衰减因子设置为0.005,样本最小块尺寸设置为50,迭代次数设置为150,Dropout值设置为0.5;
步骤五,利用步骤三得到的训练集训练步骤四的深度卷积神经网络模型,通过验证集和批随机梯度下降法调整每层网络的参数,得到最终的卷积神经网络模型;训练过程中卷积运算如下所示:
式中,Xc l-1为l-1层第c个通道的输入数据;Wn l为l层第n个卷积核的权重;bn l为相应的偏差;*表示卷积运算符号;σ为激活函数;Cn l表示第l层的第n个卷积核的输出;
最大池化运算如下所示:
式中,Cn表示卷积层的输出;S为池化块尺寸;Pn为池化层的输出;
网络的最后一层为分类层,使用的Softmax回归分类方程为:
其中x(i)表示输入样本,y(i)=k表示样本类别,p(y(i)=k|x(i);θ)代表输入x(i)属于第k类的概率;θ为模型参数;hθ(x(i))表示sotfmax分类器的输出;
步骤六,将测试数据输入步骤五最终的卷积神经网络模型,对故障进行识别和分类。
本发明实施例的诊断详细结果如下:
选取电机转速为600rpm、1200rpm、1800rpm的工况采集振动信号进行模型结果测试。采用交叉验证的方法,每种健康状况的齿轮包含800个样本,将此分为10组,选择5组作为训练集,1组作为验证集,剩余4组作为测试集,数据组成如表1所示,共进行10组实验。
表1.齿轮箱10组交叉验证数据组成
每组试验的分类精度如附图6所示,平均精度及标准差如表2所示。
表2.实施例的分类诊断结果
本发明提出的基于内置编码器信号和卷积神经网络的行星齿轮箱故障诊断方法利用内置编码器信号作为分析对象,通过多层卷积神经网络信号内部故障相关的高维特征,使用Softmax分类器输出分类结果。从实施例可以得出本发明的平均分类精度达到97%以上,且对不同的转速工况具有良好的鲁棒性。
Claims (2)
1.基于内置编码器信号的行星齿轮箱智能故障诊断方法,其特征在于,包括以下步骤:
步骤一,对于不同的健康状态的行星齿轮箱,利用编码器数据采集卡读取行星齿轮箱中输出轴位置的内置编码器信号,得到测试轴的角位置信号,记为x(t);
步骤二,采用多项式拟合法获取行星齿轮箱的瞬态运动信息,对x(t)进行多项式拟合,并进行二阶差分得到瞬时角加速度信号a(t);
步骤三,对步骤二中的瞬时角加速度信号a(t)进行分段得到训练集、验证集和测试集;
步骤四,构建深度卷积神经网络模型,深度卷积神经网络模型包括卷积层、池化层、全连接层和分类器输出层,并初始化每一层网络的参数,其中卷积、池化及全连接层用于特征提取,分类器输出层用于故障识别和分类;
步骤五,利用步骤三得到的训练集训练步骤四的深度卷积神经网络模型,通过验证集和批随机梯度下降法调整每层网络的参数,得到最终的卷积神经网络模型;
步骤六,将测试数据输入步骤五最终的卷积神经网络模型,对故障进行识别和分类。
2.根据权利要求1所述的基于内置编码器信号的行星齿轮箱智能故障诊断方法,其特征在于:所述的卷积神经网络模型包括1个输入层、2个卷积层与池化层、1个全连接层、1个Dropout层和1个分类输出层。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711397302.7A CN108106841A (zh) | 2017-12-21 | 2017-12-21 | 基于内置编码器信号的行星齿轮箱智能故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711397302.7A CN108106841A (zh) | 2017-12-21 | 2017-12-21 | 基于内置编码器信号的行星齿轮箱智能故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108106841A true CN108106841A (zh) | 2018-06-01 |
Family
ID=62212243
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711397302.7A Pending CN108106841A (zh) | 2017-12-21 | 2017-12-21 | 基于内置编码器信号的行星齿轮箱智能故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108106841A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109359702A (zh) * | 2018-12-14 | 2019-02-19 | 福州大学 | 基于卷积神经网络的光伏阵列故障诊断方法 |
CN109726772A (zh) * | 2019-03-14 | 2019-05-07 | 西安交通大学 | 基于多流融合模型的行星齿轮箱智能诊断方法 |
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 |
CN109877647A (zh) * | 2019-04-19 | 2019-06-14 | 华东理工大学 | 一种基于内置编码器的机床伺服轴性能退化评估系统 |
CN109919015A (zh) * | 2019-01-28 | 2019-06-21 | 东南大学 | 一种基于多采样卷积神经网络的射频指纹提取和识别方法 |
CN110196160A (zh) * | 2019-05-29 | 2019-09-03 | 国电联合动力技术有限公司 | 一种基于残差网络的风电齿轮箱监测方法 |
CN110334764A (zh) * | 2019-07-04 | 2019-10-15 | 西安电子科技大学 | 基于集成深度自编码器的旋转机械智能故障诊断方法 |
CN110580471A (zh) * | 2019-09-12 | 2019-12-17 | 北京航空航天大学 | 基于编码器信号瞬变特征的机械设备故障诊断方法 |
CN111796180A (zh) * | 2020-06-23 | 2020-10-20 | 广西电网有限责任公司电力科学研究院 | 一种高压开关机械故障的自动识别方法及装置 |
CN112395968A (zh) * | 2020-11-11 | 2021-02-23 | 北京京航计算通讯研究所 | 基于神经网络的机械旋转部件故障诊断方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110093155A1 (en) * | 2009-10-15 | 2011-04-21 | Mando Corporation | Method and system for detecting reducer fault |
EP2412494A2 (de) * | 2010-07-30 | 2012-02-01 | Hazet-Werk Hermann Zerver GmbH & Co. KG | Knarrenkasten mit Aufstellfunktion |
CN103353396A (zh) * | 2013-06-24 | 2013-10-16 | 西安交通大学 | 基于无时标短时相位解调的齿轮箱故障诊断方法 |
CN106168539A (zh) * | 2016-10-21 | 2016-11-30 | 常州信息职业技术学院 | 基于卷积神经网络的滚动轴承故障诊断方法及系统 |
CN106874957A (zh) * | 2017-02-27 | 2017-06-20 | 苏州大学 | 一种滚动轴承故障诊断方法 |
-
2017
- 2017-12-21 CN CN201711397302.7A patent/CN108106841A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110093155A1 (en) * | 2009-10-15 | 2011-04-21 | Mando Corporation | Method and system for detecting reducer fault |
EP2412494A2 (de) * | 2010-07-30 | 2012-02-01 | Hazet-Werk Hermann Zerver GmbH & Co. KG | Knarrenkasten mit Aufstellfunktion |
CN103353396A (zh) * | 2013-06-24 | 2013-10-16 | 西安交通大学 | 基于无时标短时相位解调的齿轮箱故障诊断方法 |
CN106168539A (zh) * | 2016-10-21 | 2016-11-30 | 常州信息职业技术学院 | 基于卷积神经网络的滚动轴承故障诊断方法及系统 |
CN106874957A (zh) * | 2017-02-27 | 2017-06-20 | 苏州大学 | 一种滚动轴承故障诊断方法 |
Non-Patent Citations (5)
Title |
---|
LUYANG JING等: "A convolutional neural network based feature learning and fault diagnosis method for the condition monitoring of gearbox", 《MEASUREMENT》 * |
MING ZHAO等: "Instantaneous speed jitter detection via encoder signal and its application for the diagnosis of planetary gearbox", 《MECHANICAL SYSTEMS AND SIGNAL PROCESSING》 * |
李腾飞: "基于迭代深度学习的缺陷检测", 《计算机与数字工程》 * |
林京等: "基于瞬时角加速度信息的机床振动溯源技术", 《第十五届中国科协年会第1分会场:绿色化营运·创新型人才国际论坛》 * |
魏书法: "基于图像的城市场景垃圾自动检测", 《集成技术》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
CN109359702A (zh) * | 2018-12-14 | 2019-02-19 | 福州大学 | 基于卷积神经网络的光伏阵列故障诊断方法 |
CN109919015A (zh) * | 2019-01-28 | 2019-06-21 | 东南大学 | 一种基于多采样卷积神经网络的射频指纹提取和识别方法 |
CN109726772A (zh) * | 2019-03-14 | 2019-05-07 | 西安交通大学 | 基于多流融合模型的行星齿轮箱智能诊断方法 |
CN109877647A (zh) * | 2019-04-19 | 2019-06-14 | 华东理工大学 | 一种基于内置编码器的机床伺服轴性能退化评估系统 |
CN110196160A (zh) * | 2019-05-29 | 2019-09-03 | 国电联合动力技术有限公司 | 一种基于残差网络的风电齿轮箱监测方法 |
CN110334764A (zh) * | 2019-07-04 | 2019-10-15 | 西安电子科技大学 | 基于集成深度自编码器的旋转机械智能故障诊断方法 |
CN110334764B (zh) * | 2019-07-04 | 2022-03-04 | 西安电子科技大学 | 基于集成深度自编码器的旋转机械智能故障诊断方法 |
CN110580471A (zh) * | 2019-09-12 | 2019-12-17 | 北京航空航天大学 | 基于编码器信号瞬变特征的机械设备故障诊断方法 |
CN110580471B (zh) * | 2019-09-12 | 2021-11-02 | 北京航空航天大学 | 基于编码器信号瞬变特征的机械设备故障诊断方法 |
CN111796180A (zh) * | 2020-06-23 | 2020-10-20 | 广西电网有限责任公司电力科学研究院 | 一种高压开关机械故障的自动识别方法及装置 |
CN112395968A (zh) * | 2020-11-11 | 2021-02-23 | 北京京航计算通讯研究所 | 基于神经网络的机械旋转部件故障诊断方法及装置 |
CN112395968B (zh) * | 2020-11-11 | 2021-08-27 | 北京京航计算通讯研究所 | 基于神经网络的机械旋转部件故障诊断方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108106841A (zh) | 基于内置编码器信号的行星齿轮箱智能故障诊断方法 | |
Jiao et al. | Deep coupled dense convolutional network with complementary data for intelligent fault diagnosis | |
Saufi et al. | Challenges and opportunities of deep learning models for machinery fault detection and diagnosis: A review | |
CN109782603A (zh) | 旋转机械耦合故障的检测方法及监测系统 | |
CN112257528B (zh) | 一种基于小波变换和密集连接扩张卷积神经网络的风电齿轮箱故障诊断方法 | |
CN110543860A (zh) | 基于tjm迁移学习的机械故障诊断方法及系统 | |
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 | |
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 | |
Sun et al. | A robust approach of multi-sensor fusion for fault diagnosis using convolution neural network | |
CN112113755A (zh) | 一种基于深度卷积-峭度神经网络的机械故障智能诊断方法 | |
CN116358871B (zh) | 基于图卷积网络的滚动轴承微弱信号复合故障诊断方法 | |
CN111753891A (zh) | 一种无监督特征学习的滚动轴承故障诊断方法 | |
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 | |
CN109726772A (zh) | 基于多流融合模型的行星齿轮箱智能诊断方法 | |
CN113095179A (zh) | 元度量学习驱动的直升机行星齿轮箱故障诊断方法 | |
CN111855202A (zh) | 一种齿轮箱故障诊断方法及系统 | |
Chen et al. | A visualized classification method via t-distributed stochastic neighbor embedding and various diagnostic parameters for planetary gearbox fault identification from raw mechanical data | |
CN109883692B (zh) | 基于内置编码器信息的广义差分滤波方法 | |
CN113916535B (zh) | 基于时频和cnn的轴承诊断方法、系统、设备及介质 | |
Zare et al. | Convolutional neural networks for wind turbine gearbox health monitoring. | |
CN114444222A (zh) | 相似度计算模型、跨类别数据诊断模型、方法和系统 | |
CN113240022A (zh) | 多尺度单分类卷积网络的风电齿轮箱故障检测方法 | |
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 | |
CN114897292B (zh) | 基于多尺度残差卷积变分网络故障诊断方法和诊断系统 | |
CN113567117B (zh) | 基于psoobp-cs算法的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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180601 |