CN109029989A - 一种基于红外热成像的齿轮箱故障诊断方法 - Google Patents

Abstract

本发明提出了一种基于红外热成像的齿轮箱故障诊断方法，相比于传统的振动诊断技术，它具有非接触、检测面积大、识别率高和直观可靠等优点。红外热成像诊断技术首先利用红外热像仪采集齿轮箱的红外热谱图；然后，利用卷积神经网络提取故障特征；最后，将故障特征输入到Softmax分类器中，自动识别齿轮箱的不同故障类型。

Description

一种基于红外热成像的齿轮箱故障诊断方法

技术领域

本发明涉及数字信号处理领域，特别涉及一种基于红外热成像的齿轮箱故障诊断方法。

背景技术

齿轮箱作是传递动力的最基本部件，被广泛应用于船舶、矿山、石油化工、铁路运输等各个领域中。齿轮箱通常工作在低速重载恶劣的环境下，易发生磨损和裂纹等不种形式的损伤。如果故障发现不及时，可能引发连锁反应，导致整个传动系统停机，造成重大的经济损失或灾难性事故。因此，开展对齿轮箱故障诊断技术研究对保障其安全运行意义重大。

目前，齿轮箱的故障诊断方法主要包括基于振动信号的故障诊断技术、基于声发射的故障诊断技术和基于热电偶的故障诊断技术等。然而，这些传统方法都存在一定的缺陷。例如，基于振动信号的故障诊断技术检测面积小且难以从非平稳非线性的振动加速度信号中提取故障信息，基于声发射的故障诊断技术穿透能力较差，基于热电偶的故障诊断技术灵敏度较低。鉴于上述测试手段的诸多缺陷，现有的故障诊断技术难以有效解决齿轮箱健康监测和故障诊断的难题。

得益于红外热成像技术的发展，基于红外热谱图的故障诊断技术引起了研究者的广泛关注。红外热成像仪利用物体发出的红外线，能够非接触的捕捉物体表面温度，为故障诊断技术提供了新途径。红外热成像仪具有检测面积大、快速实时、成像直观、灵敏度高和故障信息丰富等优点。然而，目前基于红外热谱图的故障诊断方法主要依赖于专家经验，难以广泛适用。卷积神经网络(CNN)是处理图像识别问题的一种新方法。卷积神经网络可以自动提取原始数据的特征，在不经过对图像前期复杂的预处理的前提下，直接输入原始图像，避免了人工处理而造成的信息损失，能够有效地解决红外热谱图的模式识别问题。

发明内容

本发明解决的技术问题是：本发明提出了一种基于红外热成像，卷积神经网络(CNN)和Softmax分类器的齿轮箱故障诊断框架，能够有效识别齿轮箱7种不同的故障类型。基于红外热谱图和卷积神经网络的优势，本专利提出了基于卷积神经网络与红外热成像的齿轮箱故障诊断技术。首先，利用红外热像仪采集齿轮箱的红外热谱图；然后，利用卷积神经网络提取故障特征；最后，将故障特征输入到Softmax分类器中，自动识别齿轮箱的不同故障类型。

本发明的技术方案是：一种基于红外热成像的齿轮箱故障诊断方法，包括以下步骤：

步骤1：通过热成像仪获取齿轮箱不同工况下的红外热谱图，构建样本集，包括以下子步骤：

子步骤1：安装齿轮故障实验件，调试齿轮箱系统；

子步骤2：将机械故障模拟试验台的温度初始化为设定温度；

子步骤3：让机械故障模拟试验台在3000rpm的转速下预热，通过红外热成像仪观察IRT图的最高温度(最高温度在齿轮啮合处附近)；

子步骤4：当最高温度达到给定温度时，进行红外图像的采集；

子步骤5：将机械故障模拟试验台冷却至初始设定的温度；

子步骤6：选择另一种齿轮故障类型并重复子步骤1-5，采集当前工况下的IRT图，直到实验结束，形成样本集；

步骤2：将步骤1所获取的红外热谱图的样本集分割为训练样本集和测试样本集，其中，每种工况下随机选取35％样本作为训练样本集，剩余65％样本作为测试样本集；

步骤3：采用CNN方法提取步骤2中训练样本(IRT图像)的故障特征，包括以下子步骤：

子步骤1：构建卷积层；定义卷积层使用若干滤波器产生新特征；每个滤波器使用相同的内核来提取输入的局部特征；使用k_l∈R^J×D×H表示第l层中的滤波器内核，其中J，D，H分别表示内核的数量、深度和高度；卷积操作描述为：

式中，是偏置矢量，且是第l层中的第j个输出特征向量，符号*表示点积运算；

子步骤2：构建归一化层，归一化过程可表示为：

x^l＝γ^lx^l-1+β^l

式中，μ_B是的均值，通过μ_B＝E[x^l-1]计算；σ_B是的方差，σ_B＝Var[x^l-1]；ε是一个为保持数值稳定性增加的小常数，γ^l和β^l分别是要学习的比例和移位参数；

子步骤3：构建激活层，输出计算如下：

x^l＝max{x^l-1,0}

子步骤4：构建池化层，池化过程表达为：

x^l＝max_{(j-1)W+1≤i≤jW}{x^l-1(i)}

式中，W是最大池化区域的宽度；

子步骤5：利用子步骤1-4构建的卷积层、归一化层、激活层、池化层构建卷积神经网络，其中，卷积神经网络的输入为IRT图像，输出为故障特征(一个一维向量)；

步骤4：将步骤3所得训练样本集的故障特征训练Softmax分类器，构建分类器模型，包括以下子步骤：

子步骤1：D＝{(x⁽¹⁾,y⁽¹⁾),…,(x⁽ⁿ⁾,y⁽ⁿ⁾)}表示训练集，其中，x⁽ⁱ⁾(i∈{1,2,…,n})表示训练数据，y^(j)(j∈{1,2,…,n})代表着相应的健康状况标签。Softmax回归计算训练数据属于每个健康状况标签的概率p(y＝k|x；θ)。概率通过假设函数h_θ(x)来得到，如下式所示：

式中，假设函数的输出值是一个k维向量θ₁,θ₂,…,θ_k，也是Softmax分类器的内置参数，通过子步骤2的计算获得；

子步骤2：基于子步骤1的假设函数，通过连续调整来训练Softmax回归模型最小化损失函数，损失函数可以写成：

式中，1{.}表示指标函数，如果条件为真，则返回1，否则返回0。

子步骤3：通过重复子步骤1和2，得到θ₁,θ₂,…,θ_k的最优解，即为Softmax分类器模型；

步骤5：将步骤3的测试样本的故障特征输输入到步骤4的Softmax分类器模型，实现齿轮箱故障类型的识别。

发明效果

本发明的技术效果在于：提出了一种基于红外热成像的齿轮箱故障诊断技术，相比于传统的振动诊断技术，它具有非接触、检测面积大、识别率高和直观可靠等优点。红外热成像诊断技术首先通过红外热像仪采集齿轮箱在不同健康状况下的红外热谱图(IRT图)。其次，采用卷积神经网络(CNN)对IRT图进行特征提取。最后，利用Softmax分类器实现齿轮箱不同健康状况的自主识别。

附图说明

图1为基于红外热成像的诊断方法流程图

图2为齿轮箱红外图像数据采集示意图：

图3为8种不同健康状态下齿轮箱的IRT图：(a)正常(b)主动齿点蚀(c)主动齿断齿(d)主动齿缺齿(e)从动齿裂纹(f)从动齿裂纹+主动齿点蚀(g)从动齿裂纹+主动齿断(h)从动齿裂纹+主动齿缺齿

图4为齿轮箱故障识别结果图

附图标记说明：1—变速器；2—交流电机；3—齿轮箱；4—主动轮；5—从动轮；6—负载；7—锗玻璃；8—红外热成像仪。

具体实施方式

参见图1-图4，具体方法步骤阐述如下：

1.采集红外热图

步骤1：安装齿轮故障实验件，调试齿轮箱系统；

步骤2：将机械故障模拟试验台的温度初始化为室温(本发明中为18.9℃)；

步骤3：让实验平台在3000rpm的转速下预热，通过红外热成像仪观察IRT图的最高温度(在齿轮啮合处附近)；

步骤4：当最高温度达到给定温度(本试验为58℃)时，进行红外图像的采集；

步骤5：将机械故障模拟试验台冷却至室温；

步骤6：选择另一种齿轮故障类型并重复上述步骤采集当前工况下的IRT图，直到实验结束。

2.卷积神经网络

CNN是一种前馈神经网络，包括滤波阶段和分类阶段。滤波阶段主要有四种层：卷积层，归一化层，激活层和池化层，分类阶段由全连接层与分类层组成。

(1)卷积层：卷积层使用若干个滤波器产生新特征。每个过滤器使用相同的内核来提取输入的局部特征，称为权重共享。使用k_l∈R^J×D×H表示第l层中的滤波器内核，其中J，D，H分别表示内核的数量、深度和高度。卷积操作描述为：

式中，是偏置矢量，且是第l层中的第j个输出特征向量，符号*表示点积运算。

(2)归一化层：归一化层是用来减少内部协方差的移动并且加速深度神经网络的训练过程，添加在卷积层之后和激活层之前。归一化过程可表示为：

x^l＝γ^lx^l-1+β^l

式中，μ_B是的均值，通过μ_B＝E[x^l-1]计算；σ_B是的方差，σ_B＝Var[x^l-1]；ε是一个为保持数值稳定性增加的小常数，γ^l和β^l分别是要学习的比例和移位参数；

(3)激活层：激活层利用非线性映射功能增强了CNN的表示能力。激活层的输出计算如下：

x^l＝max{x^l-1,0}

(4)池化层：池化层可以视为下采样操作以减小网络的特征的大小和参数的数量。

最大池化过程表达为：

x^l＝max_{(j-1)W+1≤i≤jW}{x^l-1(i)}

式中，W是最大池化区域的宽度。

3.Softmax分类器

Softmax是一种概率分类器，通过估计属于每个健康状况标签的训练样本的概率来进行分类。

(1)D＝{(x⁽¹⁾,y⁽¹⁾),…,(x⁽ⁿ⁾,y⁽ⁿ⁾)}表示训练集，x⁽ⁱ⁾(i∈{1,2,…,n})代表着训练数据，y^(j)(j∈{1,2,…,n})代表着相应的健康状况标签。Softmax回归计算训练数据属于每个健康状况标签的概率p(y＝k|x；θ)。概率通过假设函数h_θ(x)来得到，如下：

式中，假设函数的输出值是一个k维向量θ₁,θ₂,…,θ_k，也是Softmax分类器的内置参数，通过假设函数获得。归一化了因此概率的总和是1。

(2)基于假设函数，通过连续调整来训练Softmax回归模型来最小化损失函数。损失函数可以写成：

式中，1{.}表示指标函数，如果条件为真，则返回1，否则返回0。

4.总体步骤及实现措施

基于红外热成像的齿轮箱故障诊断方法的具体步骤如下：

步骤1：通过热成像仪获取齿轮箱8种工况下的热谱图，构建样本集；

步骤2：随机选取35％样本作为训练样本集，剩余65％样本作为测试样本集；

步骤3：采用CNN提取训练样本(IRT图像)的故障特征；

步骤4：利用所得的训练样本集的故障特征训练Softmax分类器，构建分类器模型；

步骤5：将测试样本的故障特征输入到Softmax分类器模型中，实现齿轮箱故障类型的识别。

方法流程图见附图1。

本专利效果可以通过以下实验进一步说明：

实验条件：实验数据通过机械故障模拟试验台以及红外热像仪实验得到，见图2。机械故障模拟试验台由一台2-交流电机驱动的3-锥齿轮箱。交流电机的转速由1-变速器控制。齿轮箱由4-主动齿和5-从动齿构成，齿轮箱的另一端连接6-负载。在实验中，为了使8-红外热像仪可以获取齿轮箱内部的热分布，我们在齿轮箱顶部开孔并用7-锗玻璃密封，保证了齿轮箱密封的完整性。为了研究所提方法的有效性，设计如下8种齿轮箱不同健康状况：正常工况(Normal)，主动齿点蚀(PT)，主动齿断齿(BT)，主动齿缺齿(MT)，从动齿裂纹(CT)，主动齿点蚀+从动齿裂纹(PT+CT)，主动齿缺齿+从动齿裂纹(BT+CT)，主动齿缺齿+从动齿裂纹(MT+CT)。其中，不同的工况通过更换预置故障齿轮来实现。每一种工况下，数据集均由100张IRT图组成，总共有800个样本(100×8种工况)。随机选择280个样本组成训练样本集，剩余520个样本作为测试样本集。训练样本和测试样本的具体信息如表1所示。

表1实验数据表

齿轮箱八种健康状况下的IRT图如图3所示。由图3可以发现，由于不同齿轮箱工况间的热谱图差异性较小，难以直接从热谱图中直接区分齿轮箱不同故障类型。因此，采用CNN对热谱图进行特征提取，通过Softmax分类器来确定齿轮箱具体的故障类型。

齿轮箱故障诊断的结果如图4所示，可以看出，本发明的故障识别率为100％，试验表明此方法可有效识别齿轮箱不同故障类型，为齿轮箱的故障诊断开辟一条新途径。

Claims (1)

1.一种基于红外热成像的齿轮箱故障诊断方法，其特征在于，包括以下步骤：

步骤1：通过热成像仪获取齿轮箱不同工况下的红外热谱图，构建样本集，包括以下子步骤：

子步骤1：安装齿轮故障实验件，调试齿轮箱系统；

子步骤2：将机械故障模拟试验台的温度初始化为设定温度；

子步骤3：让机械故障模拟试验台在3000rpm的转速下预热，通过红外热成像仪观察IRT图的最高温度(最高温度在齿轮啮合处附近)；

子步骤4：当最高温度达到给定温度时，进行红外图像的采集；

子步骤5：将机械故障模拟试验台冷却至初始设定的温度；

子步骤6：选择另一种齿轮故障类型并重复子步骤1-5，采集当前工况下的IRT图，直到实验结束，形成样本集；

步骤2：将步骤1所获取的红外热谱图的样本集分割为训练样本集和测试样本集，其中，每种工况下随机选取35％样本作为训练样本集，剩余65％样本作为测试样本集；

步骤3：采用CNN方法提取步骤2中训练样本(IRT图像)的故障特征，包括以下子步骤：

子步骤1：构建卷积层；定义卷积层使用若干滤波器产生新特征；每个滤波器使用相同的内核来提取输入的局部特征；使用k_l∈R^J×D×H表示第l层中的滤波器内核，其中J，D，H分别表示内核的数量、深度和高度；卷积操作描述为：

式中，是偏置矢量，且是第l层中的第j个输出特征向量，符号*表示点积运算；

子步骤2：构建归一化层，归一化过程可表示为：

x^l＝γ^lx^l-1+β^l

式中，μ_B是的均值，通过μ_B＝E[x^l-1]计算；σ_B是的方差，σ_B＝Var[x^l-1]；ε是一个为保持数值稳定性增加的小常数，γ^l和β^l分别是要学习的比例和移位参数；

子步骤3：构建激活层，输出计算如下：

x^l＝max{x^l-1,0}

子步骤4：构建池化层，池化过程表达为：

x^l＝max_{(j-1)W+1≤i≤jW}{x^l-1(i)}

式中，W是最大池化区域的宽度；

子步骤5：利用子步骤1-4构建的卷积层、归一化层、激活层、池化层构建卷积神经网络，其中，卷积神经网络的输入为IRT图像，输出为故障特征(一个一维向量)；

步骤4：将步骤3所得训练样本集的故障特征训练Softmax分类器，构建分类器模型，包括以下子步骤：

子步骤1：D＝{(x⁽¹⁾,y⁽¹⁾),…,(x⁽ⁿ⁾,y⁽ⁿ⁾)}表示训练集，其中，x⁽ⁱ⁾(i∈{1,2,…,n})表示训练数据，y^(j)(j∈{1,2,…,n})代表着相应的健康状况标签。Softmax回归计算训练数据属于每个健康状况标签的概率p(y＝k|x；θ)。概率通过假设函数h_θ(x)来得到，如下式所示：

式中，假设函数的输出值是一个k维向量θ₁,θ₂,…,θ_k，也是Softmax分类器的内置参数，通过子步骤2的计算获得；

子步骤2：基于子步骤1的假设函数，通过连续调整来训练Softmax回归模型最小化损失函数，损失函数可以写成：

式中，1{.}表示指标函数，如果条件为真，则返回1，否则返回0。

子步骤3：通过重复子步骤1和2，得到θ₁,θ₂,…,θ_k的最优解，即为Softmax分类器模型；

步骤5：将步骤3的测试样本的故障特征输输入到步骤4的Softmax分类器模型，实现齿轮箱故障类型的识别。