CN109726772A - 基于多流融合模型的行星齿轮箱智能诊断方法 - Google Patents

Abstract

一种基于多流融合模型的行星齿轮箱智能诊断方法，先采集编码器信号，对其进行平滑处理得到平滑信号，对平滑信号进行一阶、二阶差分得到角速度信号与角加速度信号；然后将平滑信号、角速度信号与角加速度信号分别划分为训练集、验证集和测试集，得到平滑信号数据集、谐波信号数据集和冲击信号数据集；针对平滑信号、角速度信号与角加速度信号，分别构建对应的卷积神经网络模型，差异化训练，对三个卷积神经网络模型学到的独立频域中的高层抽象特征进行融合，最终得到多流融合模型；对多流融合模型的高层参数进行优化得到最终模型，然后进行故障分类，并利用t‑SNE技术将测试的分类结果可视化；本发明能够区分不同类型的故障，实现了高精度故障诊断。

Description

基于多流融合模型的行星齿轮箱智能诊断方法

技术领域

本发明涉及行星齿轮箱故障诊断技术领域，特别涉及基于多流融合模型的行星齿轮箱智能诊断方法。

背景技术

行星齿轮箱具有体积小、重量轻、结构紧凑、传动效率高、承载能力大等优点，是工业机械中用于能量传递的重要部件，在直升机、汽车、航天器、重型机械和航海机械等领域被广泛应用。随着现代机械对行星齿轮传动要求日益提高，行星齿轮不仅需要能够在高速、重载、特殊介质等条件下工作，而且需要具有高平稳性、高可靠性和结构紧凑等良好的工作性能，以保证机械设备安全正常运行。由此可见，行星齿轮设备发生故障，轻则导致设备停机，直接造成经济损失，重则发生灾难性事故，造成人员伤亡。因此对行星齿轮箱进行故障诊断具有十分重要的经济与社会意义。

目前行星齿轮箱的故障诊断方法主要分为动力学建模和动态信号处理，无论是动力学建模还是动态信号处理，它们的研究对象即信息来源都是振动信号。当前针对行星齿轮箱的故障诊断方法以振动信号作为故障诊断的信息源，大多存在以下几点不足：1)振动信号信噪比低；2)信号源单一；3)信号分析方法复杂，依赖人工特征提取；更有甚者，振动传感器在高端装备如全封闭加工中心和多自由度机械臂上难以安装，导致无法获取分析信号。因此，传统的利用振动信号进行行星齿轮箱故障诊断的方法难以实现低成本、高性能、自动化和智能化，也无法应对当前信息化、数字化趋势下产生的工业大数据对传统故障诊断方法带来的冲击。

近年来，随着机械设备自动化、智能化的发展趋势，编码器在高端装备中获得了广泛配备。内置的编码器解决了传统传感器安装布线的困难；而编码器信号作为反映设备运行状态的内置传感器信号，对早期损伤和微弱故障较为敏感，因此利用编码器信号作为行星齿轮箱故障诊断的信息源成为了本领域近年来的研究热点。

但是目前基于编码器信号的故障诊断方法大多聚焦于振动信号的分析模式，即利用传统的信号处理方法进行复杂的降噪以及特征提取最终进行故障诊断，其受限于两个方面：其一，编码器信号作为角度域信号，发展较为完备的振动信号分析方法难以完整地直接移植到编码器信号处理领域；其二，信号处理方法过多依赖于专业知识与经验，难以实现自动化和智能化的诊断。当然，目前火热的深度学习方法也在基于编码器信号的故障诊断领域崭露头角，但是其聚焦于简单网络的参数优化，忽略了编码器信号在反映设备运行状态多样性的发掘与模型结构创新，导致信息泄露，造成对某些故障类型不敏感，降低了行星齿轮箱故障诊断的可信度。

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多流融合模型的行星齿轮箱智能诊断方法，能够充分利用反映设备运行状态的多方面信息，不仅很好地区分不同类型的故障，而且对同一类型故障的严重程度也比较敏感，达到了智能化的高精度故障诊断。

为了达到上述目的，本发明采取的技术方案为：

一种基于多流融合模型的行星齿轮箱智能诊断方法，包括以下步骤：

步骤一，对断齿、线腐蚀、多齿裂纹、断半齿、正常、齿面剥落、点蚀、单齿裂纹、多面磨损和单面磨损的十种不同健康状态的行星齿轮箱，基于数据采集卡与工控机硬件平台，通过Labview开发平台分别采集编码器信号

步骤二，利用最小二乘拟合法对编码器信号进行平滑处理，得到平滑信号对平滑信号分别进行一阶差分与二阶差分得到角速度信号w(t)与角加速度信号a(t)；其中，角速度信号w(t)反映编码器信号中的谐波成分，角加速度信号a(t)反映编码器信号中的冲击成分；

步骤三，建立齿轮健康状态数据集，对断齿、线腐蚀、多齿裂纹、断半齿、正常、齿面剥落、点蚀、单齿裂纹、多面磨损和单面磨损的十种不同齿轮健康状态分别标注为状态1、2，，，10，并将平滑信号以及步骤二得到的角速度信号w(t)与角加速度信号a(t)分别划分为训练集、验证集和测试集，得到平滑信号数据集D1、谐波信号数据集D2和冲击信号数据集D3；

步骤四，针对平滑信号角速度信号w(t)与角加速度信号a(t)，分别构建对应的卷积神经网络模型CNN1、卷积神经网络模型CNN2和卷积神经网络模型CNN3，其网络均包含卷积-池化块、dropout层、全连接层和分类层，卷积-池化块用于特提取与选择，dropout层用于防止训练时过拟合，全连接与分类层用于故障分类；

步骤五，对步骤三中的训练集数据进行标准化预处理，使得其均值0，方差为1，分别利用平滑信号角速度信号w(t)与角加速度信号a(t)差异化训练卷积神经网络模型CNN1、卷积神经网络模型CNN2和卷积神经网络模型CNN3；

步骤六，去掉卷积神经网络模型CNN1、卷积神经网络模型CNN2和卷积神经网络模型CNN3的全连接层与分类层，对卷积神经网络模型CNN1、卷积神经网络模型CNN2和卷积神经网络模型CNN3学到的独立频域中的高层抽象特征进行融合，最终得到多流融合模型CNN4；

步骤七，将平滑信号数据集D1，谐波信号数据集D2和冲击信号数据集D3作为一个总体数据集D4，采用fine-tuning策略，利用验证集数据对多流融合模型CNN4的高层参数进行优化，得到最终模型CNN5；

步骤八，利用训练集数据的均值对测试集数据进行标准化预处理，并将其输入到步骤七得到的最终模型CNN5中进行故障分类，并利用t-SNE技术将测试的分类结果可视化。

本发明与现有技术相比，具有以下的有益效果：

a)本发明用编码器信号以及差分后的角速度信号与角加速度信号作为输入，能够从不同频带综合反映行星齿轮箱的运行状态，避免了单一信号下的故障误判。

b)本发明用fine-tuning策略使得简单模型的底层特征得以较好保留，并且简化了多流融合模型的训练。

c)本发明针对噪声在高阶差分下易被扩大的现象，通过dropout层不同部署策略对原始三模型进行差异化训练，使其能有效提取不同信号内的高层抽象特征。

d)本发明由卷积神经网络数据层的融合出发，结合编码器信号在不同阶差分下对原始信号中不同成分的表征，设计出针对编码器的多流融合模型，充分利用了编码器所包含的角度域信息,提高了总体诊断精度也使得所有类别故障的识别均达到较高水平，同时给多传感器信息融合诊断提供了一种全新的思路。

附图说明

图1为本发明实施例的实验台示意图。

图2为本发明方法的流程图。

图3为本发明实施例仿真信号的谐波成分与一阶差分的匹配图。

图4为本发明实施例仿真信号的冲击成分与二阶差分的匹配图。

图5为本发明实施例所用十种健康状态的行星齿轮中具有代表性的5种：(a)单齿根裂纹；(b)多齿根裂纹；(c)齿角剥落；(d)齿面点蚀；(e)断齿；以上故障包含不同故障与同一故障的不同严重程度(裂纹)。

图6为本发明方法在固定工况下分类结果的混淆矩阵图。

图7为本发明方法在固定工况下网络输出经t-SNE可视化后的结果图。

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。

以某行星齿轮箱实验台为实施例进行说明，如图1所示，实验台由伺服电机、编码器和行星齿轮箱组成，其中行星齿轮箱由三个均布的行星轮、太阳轮和行星架组成，太阳轮与输入轴连接，通过啮合运动将动力通过行星架输出；在行星齿轮箱输入输出轴端分别安装编码器，整个实验台由伺服电机驱动。

具体参数如下：

1)伺服电机额定功率：2.2kW，额定转速：3000rpm；

2)行星齿轮箱传动比：5.1:1，内齿圈齿数：82，模数：1，行星轮齿数：31，模数：1，太阳轮齿数：20，模数：1；

如图2所示，基于多流融合模型的行星齿轮箱智能诊断方法，包括以下步骤：

步骤一，选择与行星架相连的输出轴作为对象，对断齿、线腐蚀、多齿裂纹、断半齿、正常、齿面剥落、点蚀、单齿裂纹、多面磨损和单面磨损十种不同健康状态的行星齿轮箱，基于数据采集卡与工控机硬件平台，通过Labview开发平台分别采集编码器信号编码器信号即为输出轴的角位移信号；

步骤二，利用最小二乘拟合法对采集编码器信号进行平滑处理以减小噪声对差分后信号的干扰，得到平滑信号对平滑信号分别进行一阶差分与二阶差分得到角速度信号w(t)与角加速度信号a(t)，其中，角速度信号w(t)反映编码器信号中的谐波成分，角加速度信号a(t)反映编码器信号中的冲击成分；

为了验证角速度信号w(t)、角加速度信号a(t)与编码器信号中的谐波成分和冲击成分的对应关系，对编码器信号进行仿真，包含线性成分、冲击成分、谐波成分和噪声成分，之后对仿真信号进行差分，如图3所示，仿真信号经一阶差分后匹配了编码器信号中的谐波成分；随后再对编码器信号进行二阶差分，如图4所示，仿真信号经二阶差分后匹配了编码器信号中的冲击成分；

步骤三，建立齿轮健康状态数据集，对断齿、线腐蚀、多齿裂纹、断半齿、正常、齿面剥落、点蚀、单齿裂纹、多面磨损和单面磨损的十种不同齿轮健康状态分别标注为状态1、2，，，10，如表1所示，

表1.齿轮箱健康状态标注

如图5所示，图5展示了十种健康状态的行星齿轮中具有代表性的5种：(a)单齿根裂纹；(b)多齿根裂纹；(c)齿角剥落；(d)齿面点蚀；(e)断齿；以上故障包含不同故障与同一故障的不同严重程度(裂纹)；将平滑信号划分为训练集、验证集和测试集，得到平滑信号数据集D1；同样地将步骤二得到的角速度信号w(t)与角加速度信号a(t)进行相同划分，得到谐波信号数据集D2和冲击信号数据集D3，以上数据集里的样本长度均为1000；

步骤四，针对平滑信号角速度信号w(t)与角加速度信号a(t)，分别构建对应的卷积神经网络模型CNN1，卷积神经网络模型CNN2，卷积神经网络模型CNN3，其网络均包含卷积-池化块、dropout层、全连接层和分类层，其差异性体现在dropout层的部署、模型深度以及超参数的不同，卷积-池化块用于特提取与选择，dropout层用于防止训练时过拟合，全连接与分类层用于故障分类；本实施例中以谐波信号为输入的网络结构包括输入层，两个卷积-池化块，dropout层，全连接层与分类层；其中输入层维度为1000×1；在两个卷积-池化块中，卷积核大小分别为21×1和3×1，卷积核的数目为32；池化层采取最大池化策略，窗口大小为2×1，步长为1；dropout层中设置随机概率参数为0.25用于防止过拟合，置于全连接层之前；全连接层为128个神经元；最后的分类层采用Softmax函数用于输出，维度为10×1，对应十种不同的健康状态；为减小计算量，采取小批次随机梯度下降算法更新权重与偏置，为此将批次大小设置为100，迭代轮次为10；

步骤五，对步骤三中的训练集数据进行标准化预处理，使得其均值0，方差为1，使用交叉熵作为损失函数，验证集精度作为检测对象，分别利用平滑信号角速度信号w(t)与角加速度信号a(t)差异化训练得到的卷积神经网络模型CNN1，卷积神经网络模型CNN2，卷积神经网络模型CNN3；其中标准化公式如下所示：

式中，x_i为样本的第i个值，为样本的均值，S为标准差；

卷积层的运算公式如下：

式中，M_j为第j个卷积核卷积运算涉及的区域，为上一层中的输入数据；为本层的卷积权重；为对应的偏置；*为卷积运算符号，在此网络中为向量的内积运算；f为激活函数,在本实施例中设置为Relu函数；表示本层的第j个卷积核的输出；

最大池化策略的运算规则如下所示：

式中，X_n为卷积层的输出；I为池化长度；P_n为池化层的输出；

步骤六，对卷积神经网络模型CNN1，卷积神经网络模型CNN2，卷积神经网络模型CNN3学到的独立频域中的高层抽象特征进行融合，具体操作为舍弃卷积神经网络模型CNN1，卷积神经网络模型CNN2，卷积神经网络模型CNN3中的各自的全连接层与分类层，对高层特征输出进行统一维度的展开合并，接着添加全连接层、dropout层与分类层，最终得到多流融合模型CNN4；

步骤七，将平滑信号数据集D1，谐波信号数据集D2和冲击信号数据集D3作为一个总体数据集D4，采用fine-tuning策略，利用验证集数据对多流融合模型CNN4的高层参数进行优化，得到最终模型CNN5；

步骤八，利用训练数据集的均值对测试集数据进行标准化预处理，并将其输入到步骤七得到的最终模型CNN5中进行故障分类，得到分类结果；诊断结果的混淆矩阵如图6所示，图中横坐标表示真实类别，纵坐标表示模型预测类别，可以看到总精度达到了99％以上，接着利用t-SNE技术将测试的分类结果可视化，结果如图7所示，各类别类间间距离较大，很好的识别了每一种故障；与单一卷积神经网络模型CNN1，卷积神经网络模型CNN2，卷积神经网络模型CNN3的效果对比见表2，可见本发明方法将最差类别分类精度大幅提高；

表2.本发明方法效果提升表

Claims (1)

1.一种基于多流融合模型的行星齿轮箱智能诊断方法，其特征在于，包括以下步骤：

步骤一，对断齿、线腐蚀、多齿裂纹、断半齿、正常、齿面剥落、点蚀、单齿裂纹、多面磨损和单面磨损的十种不同健康状态的行星齿轮箱，基于数据采集卡与工控机硬件平台，通过Labview开发平台分别采集编码器信号

步骤二，利用最小二乘拟合法对编码器信号进行平滑处理，得到平滑信号对平滑信号分别进行一阶差分与二阶差分得到角速度信号w(t)与角加速度信号a(t)；其中，角速度信号w(t)反映编码器信号中的谐波成分，角加速度信号a(t)反映编码器信号中的冲击成分；

步骤三，建立齿轮健康状态数据集，对断齿、线腐蚀、多齿裂纹、断半齿、正常、齿面剥落、点蚀、单齿裂纹、多面磨损和单面磨损的十种不同齿轮健康状态分别标注为状态1、2，，，10，并将平滑信号以及步骤二得到的角速度信号w(t)与角加速度信号a(t)分别划分为训练集、验证集和测试集，得到平滑信号数据集D1、谐波信号数据集D2和冲击信号数据集D3；

步骤四，针对平滑信号角速度信号w(t)与角加速度信号a(t)，分别构建对应的卷积神经网络模型CNN1、卷积神经网络模型CNN2和卷积神经网络模型CNN3，其网络均包含卷积-池化块、dropout层、全连接层和分类层，卷积-池化块用于特提取与选择，dropout层用于防止训练时过拟合，全连接与分类层用于故障分类；

步骤五，对步骤三中的训练集数据进行标准化预处理，使得其均值0，方差为1，分别利用平滑信号角速度信号w(t)与角加速度信号a(t)差异化训练卷积神经网络模型CNN1、卷积神经网络模型CNN2和卷积神经网络模型CNN3；

步骤六，去掉卷积神经网络模型CNN1、卷积神经网络模型CNN2和卷积神经网络模型CNN3的全连接层与分类层，对卷积神经网络模型CNN1、卷积神经网络模型CNN2和卷积神经网络模型CNN3学到的独立频域中的高层抽象特征进行融合，最终得到多流融合模型CNN4；

步骤七，将平滑信号数据集D1，谐波信号数据集D2和冲击信号数据集D3作为一个总体数据集D4，采用fine-tuning策略，利用验证集数据对多流融合模型CNN4的高层参数进行优化，得到最终模型CNN5；

步骤八，利用训练集数据的均值对测试集数据进行标准化预处理，并将其输入到步骤七得到的最终模型CNN5中进行故障分类，并利用t-SNE技术将测试的分类结果可视化。