CN109682596A - 非均衡样本下高速重载输入级故障诊断方法 - Google Patents

Abstract

本发明公开非均衡样本下高速重载输入级故障诊断方法，具体步骤为：利用低转速齿轮箱实验平台的不同模拟故障模式监测振动信号，获得低速故障频谱数据，通过频谱搬移获得不同故障模式下高速齿轮箱实验平台故障频谱数据；把高速齿轮箱实验平台故障频谱数据迁移到直升机输入级齿轮箱故障模式，得到不同故障模式输入级故障频谱数据；利用两次迁移所得输入级故障频谱数据和正常模式下实际运行状态监测振动信号频谱数据，对深度堆栈去噪自动编码器SDAE进行预训练，再用实际运行时输入级少量故障数据样本对SDAE精细微调。把训练好的SDAE用于高速重载输入级振动信号自动特征提取与故障分类。本发明解决了样本不均衡情况下直升机高速重载输入级故障诊断问题。

Description

非均衡样本下高速重载输入级故障诊断方法

技术领域

本发明涉及一种高速重载输入级故障诊断方法，属于设备故障与信号处理领域。

背景技术

直升机健康与使用监控系统(Health and Usage Monitoring System，HUMS)是一个集航空电子设备、地面支持设备及机载计算机监视诊断产品于一体的复杂系统，其对于降低直升机传动系统的故障率、提高传动系统的安全性具有重要意义。此外，从国内外直升机维修技术的发展来看，军、民用直升机的维修制度正在从定期维修及预防性维修向视情维修发展，而故障诊断与预测技术是实现视情维修的技术基础，为降低直升机传动系统维护维修成本、提高维修效率发挥重要作用。

直升机传动系统主要由发动机连接器、输入级、主减速器、传动轴、尾减速器等组成。输入级由锥齿轮组成，常工作在高速重载情况。高速重载输入级传动装置的运行工况复杂，且受到传动装置中齿轮的时变啮合刚度、传递误差、齿侧间隙等因素影响，很容易发生齿轮磨损、裂纹、粘结、点蚀等故障，会严重影响直升机飞行安全。当输入级部件出现损伤故障时，会使得状态监测振动信号的强度与频谱成分发生变化，目前常用的方法是基于振动信号分析进行高速重载输入级故障诊断。

高速重载输入级状态监测及故障诊断主要包括振动信号检测、信号预处理、特征提取、工作状态识别、故障诊断等过程，而信号预处理与特征提取是输入级故障诊断过程中非常重要的一个环节，会影响输入级故障诊断可靠性与准确性。

由于直升机传动系统价格昂贵，一般无法进行高速重载输入级地面故障模拟试验，且地面实验平台也很难完全模拟直升机空中飞行工况与环境条件。考虑到直升机飞行安全性，更不允许开展直升机飞行过程中输入级故障模拟试验。而现有的新型直升机传动系统实际运行时故障情况很少发生，导致高速重载输入级的正常模式样本数据多、不同的故障模式样本数据很少甚至缺乏的现状。这种不平衡样本下高速重载输入级故障诊断是迫切需要解决的难题。

本发明结合深度神经网络及两个阶段的迁移学习，利用迁移学习扩充高速重载输入级故障数据样本集，解决了非均衡样本下高速重载输入级故障诊断问题。

发明内容

本发明的目的在于提供一种非均衡样本下高速重载输入级故障诊断方法，通过利用低转速齿轮箱实验平台，获得不同模拟故障(如齿轮磨损、裂纹、粘结、点蚀等)的低转速齿轮箱实验平台状态监测振动信号，计算获得不同故障模式的低转速齿轮箱低速故障频谱数据；把低速故障频谱数据迁移到高速故障模式，通过频谱搬移方法获得不同故障模式的高速齿轮箱故障频谱数据；把高速齿轮箱故障频谱数据迁移到直升机高速重载输入级齿轮箱故障模式，得到不同故障模式的高速重载输入级故障频谱数据；利用两次迁移得到的这些高速重载输入级故障频谱数据和正常模式下高速重载输入级实际运行状态监测振动信号频谱数据，对深度堆栈去噪自动编码器SDAE进行预训练，再利用高速重载输入级实际运行时少量故障样本数据对SDAE进行精细微调；把训练好的SDAE用于直升机高速重载输入级振动信号自动特征提取与故障分类。

为实现上述目的，本发明的非均衡样本下高速重载输入级故障诊断方法，具体包括以下步骤：

步骤1：采集低转速齿轮箱实验平台的不同模拟故障模式监测振动信号，具体过程为：在变转速、变负载环境下，通过更换故障部件如磨损齿轮、裂纹齿轮、粘接齿轮以及点蚀齿轮等来获取不同故障模式下的低转速齿轮箱实验平台的不同模拟故障模式监测振动数据；

步骤2：对低转速齿轮箱实验平台故障振动信号进行FFT频谱分析，将频域信号作为特征空间，FFT分析点数设置为采样频率大小，防止样本长度过长及模型训练时间较长；

步骤3：利用步骤2中获得的不同故障模式的低速频谱数据，对其进行频谱搬移，将低速时域信号的频谱进行非线性变换，使其由低速频谱数据变换为高速频谱数据，从而把低速故障频谱数据迁移到高速故障模式；把高速齿轮箱实验平台故障频谱数据迁移到直升机高速重载输入级齿轮箱故障模式，得到不同故障模式的高速重载输入级故障频谱数据；

步骤4：利用两次迁移得到的高速重载输入级故障频谱数据和正常模式下高速重载输入级实际运行状态监测振动信号频谱数据对深度堆栈去噪自动编码器SDAE进行预训练；

步骤5：提取每个去噪自动编码器DAE的编码矢量，合并构建一个多层神经网络，同时添加softmax分类器作为输出层，利用高速重载输入级实际运行时的少量故障样本数据以及与故障样本数量匹配的高速重载输入级正常模式监测数据对预训练的网络模型进行精细微调；为应对数据集中不同故障模式之间的样本不平衡情况，采用一种权重策略来改善softmax损失，可以根据数据集的不平衡分布对少量样本的故障模式的损失进行加权；

附图说明

图1是非均衡样本下高速重载输入级故障诊断方法流程图；

图2是SDAE训练过程的示意图。

具体实施方式

下面结合说明书附图对本发明的技术方案进行详细说明。

如图1所示，分别采集低转速与高转速下的地面数据，进行FFT变换，得到频域信号；对于数据量较少的高转速数据，利用数据量较多的低转速数据作为辅助数据，采用TrAdaboost迁移算法通过迭代运算进行频谱迁移；用均衡的地面数据集对SDAE进行预训练，之后取每个DAE的隐含层并添加权重可调的softmax分类器，用直升机空中飞行的实际运转数据对其进行微调，从而建立有效的高速重载输入级故障诊断模型。

非均衡样本下高速重载输入级故障诊断方法，具体实施方式如下：

步骤1：采集低转速齿轮箱实验平台的不同模拟故障模式监测振动信号，具体过程为：在变转速、变负载环境下，通过更换故障部件如磨损齿轮、裂纹齿轮、粘接齿轮以及点蚀齿轮等来获取不同故障模式下的低转速齿轮箱实验平台的不同模拟故障模式监测振动数据；

步骤2：对低转速齿轮箱实验平台故障振动信号进行FFT频谱分析，将频域信号作为特征空间，FFT分析点数设置为采样频率大小，防止样本长度过长及模型训练时间较长；

步骤3：利用步骤2中获得的不同故障模式的低速频谱数据，对其进行频谱搬移，将低速时域信号的频谱进行非线性变换，使其由低速频谱数据变换为高速频谱数据，从而把低速故障频谱数据迁移到高速故障模式；把高速齿轮箱实验平台故障频谱数据迁移到直升机高速重载输入级齿轮箱故障模式，得到不同故障模式的高速重载输入级故障频谱数据，具体描述为：

步骤3.1、确定双线性转换函数(BLT，bilinear transform)，将z平面(低频数据)映射到s平面(高频数据)，可用下式表示：

步骤3.2、求取双线性转换函数的频率弯折关系，关系如下：

步骤3.3、对应不同的频率弯折系数β得到的频谱弯折曲线，当β＞0时，频谱被向高频处搬移，而当β＜0时，频谱被向低频处搬移；

步骤3.4、在实际的频谱搬移过程中，只需在双线性传输函数中如下式进行替换就可实现频谱的搬移处理；

z＝Q(s)＝(β+s)/(1+βs)

得到高速齿轮箱故障频谱数据后，根据迁移学习理论，把高速齿轮箱故障频谱数据迁移到直升机高速重载输入级齿轮箱故障模式，得到不同故障模式的高速重载输入级故障频谱数据；

步骤4：利用两次迁移得到的高速重载输入级故障频谱数据和正常模式下高速重载输入级实际运行状态监测振动信号频谱数据对深度堆栈去噪自动编码器SDAE进行预训练，如图2所示，具体描述为：

步骤4.1、首先将样本x^m输入至DAE₁，含噪样本编码为

步骤4.2、利用训练DAE₂，并将输入矢量编码为

步骤4.3、重复该过程，直到DAE_N训练完毕，将输入编码为

其中，N为预训练DAE的个数，θ_N为DAE_N编码网络的参数集合，且θ_N＝{W_N，b_N}，W_N是编码网络的权重矩阵，b_N是编码网络的偏置矩阵；

步骤5：提取每个去噪自动编码器DAE的编码矢量，合并构建一个多层神经网络，同时添加softmax分类器作为输出层，利用高速重载输入级实际运行时的少量故障样本数据以及与故障样本数量匹配的高速重载输入级正常模式监测数据对预训练的网络模型进行精细微调；为应对数据集中不同故障模式之间的样本不平衡情况，采用一种权重策略来改善softmax损失，可以根据数据集的不平衡分布对少量样本的故障模式的损失进行加权，如图2所示，具体描述为：

步骤5.1、给定训练集其中x^(q)是第q个数据样本，y^(q)∈{1，2，...，C}是表示高速重载输入级故障模式的目标类；计算每种故障模式的样本数量，第c种故障模式的样本数量n_c可以计算为：

步骤5.2、n_c构成的数据集衡量每种故障模式的不平衡程度，并指示了数据集的不平衡分布。少数故障模式的损失应给予较大的权重，并且不影响多数故障模式的损失，每种故障模式的类别权重可以计算为：

其中max{·}代表集合的最大值；v_c根据数据集的不平衡分布自适应地计算，当数据集平衡时，其值为1；

步骤5.3、将改进的softmax分类器作为输出层，进行高速重载输入级故障诊断，输出标签c^m的数学表达式为

其中，θ_N+1为输出层的参数集合，g(*)是输出层激活函数，这里为softmax函数。设x^m的真实标签为y^m，SDAE通过利用类别权重的加权softmax损失函数L_SDAE完成微调

其中，经过反向微调后，优化了SDAE对高速重载输入级故障特征表示，提高了高速重载输入级的故障诊断能力。

Claims (3)

1.非均衡样本下高速重载输入级故障诊断方法，其特征在于，具体包括以下步骤：

步骤1：采集低转速齿轮箱实验平台的不同模拟故障模式监测振动信号，具体过程为：在变转速、变负载环境下，通过更换故障部件如磨损齿轮、裂纹齿轮、粘接齿轮以及点蚀齿轮等来获取不同故障模式下的低转速齿轮箱实验平台的不同模拟故障模式监测振动数据；

步骤2：对低转速齿轮箱实验平台故障振动信号进行FFT频谱分析，将频域信号作为特征空间，FFT分析点数设置为采样频率大小，防止样本长度过长及模型训练时间较长；

步骤3：利用步骤2中获得的不同故障模式的低速频谱数据，对其进行频谱搬移，将低速时域信号的频谱进行非线性变换，使其由低速频谱数据变换为高速频谱数据，从而把低速故障频谱数据迁移到高速故障模式；把高速齿轮箱实验平台故障频谱数据迁移到直升机高速重载输入级齿轮箱故障模式，得到不同故障模式的高速重载输入级故障频谱数据；

步骤4：利用两次迁移得到的高速重载输入级故障频谱数据和正常模式下高速重载输入级实际运行状态监测振动信号频谱数据对深度堆栈去噪自动编码器SDAE进行预训练；

步骤5：提取每个去噪自动编码器DAE的编码矢量，合并构建一个多层神经网络，同时添加softmax分类器作为输出层，利用高速重载输入级实际运行时的少量故障样本数据以及与故障样本数量匹配的高速重载输入级正常模式监测数据对预训练的网络模型进行精细微调；为应对数据集中不同故障模式之间的样本不平衡情况，采用一种权重策略来改善softmax损失，可以根据数据集的不平衡分布对少量样本的故障模式的损失进行加权。

2.根据权利要求1所述的非均衡样本下高速重载输入级故障诊断方法，其特征在于，所述步骤3中，利用两次数据迁移得到SDAE故障诊断模型的预训练数据，具体描述如下：

(1)第一阶段通过频谱搬移的方法，将低速时域信号的频谱进行非线性变换，使其由低速频谱数据变换为高频频谱数据，从而把低速故障频谱数据迁移到高速故障模式；

(2)第二阶段是把高速齿轮箱实验平台故障频谱数据迁移到直升机高速重载输入级齿轮箱故障模式，得到不同故障模式的高速重载输入级故障频谱数据。

3.根据权利要求1所述的非均衡样本下高速重载输入级故障诊断方法，其特征在于，所述步骤5中，为应对数据集中不同故障模式之间的样本不平衡情况，采用一种改进softmax分类器的权重策略，具体描述如下：

(1)给定训练集其中x^(q)是第q个数据样本，y^(q)∈{1，2，...，C}是表示高速重载输入级故障模式的目标类；计算每种故障模式的样本数量，第c种故障模式的样本数量n_c可以计算为：

(2)n_c构成的数据集衡量每种故障模式的不平衡程度，并指示了数据集的不平衡分布。少数故障模式的损失应给予较大的权重，并且不影响多数故障模式的损失，每种故障模式的类别权重可以计算为：

其中max{·}代表集合的最大值；v_c根据数据集的不平衡分布自适应地计算，当数据集平衡时，其值为1；

(3)利用类别权重，损失函数L_SDAE表示为：

其中，W是编码网络的权重矩阵。