CN110146281A - 一种基于vmd-sdae的行星齿轮箱故障诊断方法 - Google Patents
一种基于vmd-sdae的行星齿轮箱故障诊断方法 Download PDFInfo
- Publication number
- CN110146281A CN110146281A CN201910495399.8A CN201910495399A CN110146281A CN 110146281 A CN110146281 A CN 110146281A CN 201910495399 A CN201910495399 A CN 201910495399A CN 110146281 A CN110146281 A CN 110146281A
- Authority
- CN
- China
- Prior art keywords
- sdae
- bimf
- vmd
- epicyclic gearbox
- fault
- 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
本发明公开了一种基于变分模态分解(VMD)与堆栈去噪自动编码网络(SDAE)的行星齿轮箱故障诊断方法。首先采用加速度传感器采集行星齿轮箱振动信号,并分为训练样本与测试样本;然后采用VMD对所有样本进行模态分解,获得若干窄带固有模态函数(BIMF)分量,并从BIMF分量中提取出故障敏感分量BIMFS,计算BIMFS的瞬时能量信号Ers;然后采用所有训练样本的瞬时能量信号对SDAE网络模型进行训练;最后采用训练后的SDAE网络模型对测试样本的瞬时能量信号Ers进行故障特征提取与模式分类,并输出故障诊断结果。该方法结合了VMD对含噪信号的高质量分解以及SDAE对故障特征的高质量提取与诊断,适用于复杂振动信号和工业现场噪声环境下的行星齿轮箱故障诊断,具有分类准确率高、抗噪能力强的优点。
Description
技术领域
本发明涉及一种行星齿轮箱故障诊断方法,属于机械故障诊断技术领域。
背景技术
行星齿轮箱具有结构紧凑,减速比大,效率高的优点,广泛使用在航空航天、船舶、矿山等大型旋转机械传动系统中。行星齿轮箱由于结构复杂,组件繁多,工况瞬时多变以及工作环境恶劣的影响,导致行星齿轮箱齿轮容易出现各种故障,这些故障影响行星齿轮箱的运行效率,严重时引起重大安全事故。行星齿轮箱振动信号成分复杂,而且具有调幅调频特性和非平稳性,直接从时域信号和频域信号中提取故障特征困难。研究人员提出了采用经验模式分解(EMD)对振动信号分解提取故障敏感信号的方法,但EMD分解存在端点效应和模态混叠的缺点,而其他改进的方法在面对噪声背景时分解效果不理想。而VMD不仅有效解决了分解过程中所产生的端点效应和模态混叠问题,而且具有良好的噪声健壮性。
近年来,深度学习广泛应用于旋转机械系统的特征提取与故障诊断。相比于其他深度学习模型,比如包括深度置信网络(Deep belief network,DBN)、堆叠自动编码器(Stacked autoencoder,SAE)、卷积神经网络(Convolutional neural network,CNN)和循环神经网络(Recurrent neural network,RNN),SDAE通过添加噪声进行编码重构,使其可以从含噪样本中提取更具鲁棒性的故障特征,提高模型的抗噪能力,更适合噪声环境背景下的行星齿轮箱故障诊断。
发明内容
本发明为了解决复杂的振动信号和噪声环境下的行星齿轮故障诊断问题,提供了一种基于VMD-SDAE的行星齿轮箱故障诊断方法。
为实现上述目的,本发明提供如下技术方案:一种基于VMD-SDAE的行星齿轮箱故障诊断方法,包括如下步骤:
S1、通过安装在行星齿轮箱外壳上的加速度传感器采集行星齿轮箱振动信号,并将采集的振动信号分为训练样本与测试样本;
S2、采用变分模态分解(VMD)对所有样本进行模态分解,获得若干窄带固有模态函数(BIMF)分量;
S3、从分解的BIMF分量中提取出故障敏感分量BIMFs;
S4、计算故障敏感分量BIMFs的瞬时能量信号Ers;
S5、采用所有训练样本的瞬时能量信号Ers对堆栈去噪自动编码(SDAE)进行训练;
S6、采用训练后的SDAE网络模型对测试样本的瞬时能量信号Ers进行故障特征提取与模式分类,并输出故障诊断结果。
根据上述技术方案,所述步骤S1中的行星齿轮箱振动信号包括正常、行星齿轮裂纹、行星齿轮缺齿、行星齿轮断齿和行星齿轮箱磨损五种类型。
根据上述技术方案,所述步骤S2中的采用VMD进行模态分解的样本信号的输入频带宽度为[0,5fm],fm为行星齿轮啮合频率。
根据上述技术方案,所述步骤S3中故障敏感分量BIMFs的选取原则为:选取中心频率等于或接近行星齿轮啮合频率fm及倍频中的频率最高的BIMF分量。
根据上述技术方案,所述步骤S4中瞬时能量信号Ers计算步骤如下:
步骤1、计算故障敏感信号BIMFs的希尔伯特变换:
步骤2、计算BIMFs的瞬时包络信号:
步骤3、计算BIMFs的瞬时能量信号:
Ers(t)=|as(t)|2
根据上述技术方案,所述步骤S5、S6中的SDAE采用softmax分类器作为输出层。
与现有技术相比,本发明的有益效果:本发明有效利用了VMD对含噪信号的高质量分解以及SDAE对故障特征的高质量提取与诊断,适用于行星齿轮箱复杂的振动信号和工业现场噪声环境下的行星齿轮箱故障诊断,具有分类准确率高、抗噪能力强的优点。
附图说明
图1是基于VMD-SDAE的行星齿轮箱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
下面结合附图对本发明的技术方案作进一步的说明,但并不局限于此,凡是对本发明技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,均应涵盖在本发明的保护范围中。
如图1所示,本发明提供技术方案,一种基于VMD-SDAE的行星齿轮箱故障诊断方法,包括如下步骤:
S1、通过安装在行星齿轮箱外壳上的加速度传感器采集行星齿轮箱振动信号,并将采集的振动信号分为训练样本与测试样本。为满足后续SDAE模型训练要求,训练样本数量不小于1000。
S2、采用变分模态分解(VMD)对所有样本进行模态分解,获得若干窄带固有模态函数(BIMF)分量。具体描述为:
S21、对输入样本信号进行滤波,限制频带宽度为[0,5fm],fm为行星齿轮啮合频率。
S22、设置参数,分解数量为K=6,惩罚因子α为2000。
S23、循环k=1:K
更新模态信号:
更新模态信号的中心频率:
循环结束。
式中,{uk}=u1,…,uk为所有BIMF的集合,{ωk}=ω1,…,ωk为各BIMF的中心频率集合。
S24、更新λ:
S25、重复步骤S23、S24,迭代中n=n+1,直到满足收敛条件为止,收敛条件为:
S3、从所有分解的BIMF分量中,选取中心频率等于或接近行星齿轮啮合频率fm及倍频中的频率最高的BIMF分量,作为故障敏感分量BIMFs。
S4、计算故障敏感分量BIMFs的瞬时能量信号Ers。具体计算步骤为:
S41、计算故障敏感信号BIMFs的希尔伯特变换:
S42、计算BIMFs的瞬时包络信号:
S43、计算BIMFs的瞬时能量信号:
Ers(t)=|as(t)|2
S5、采用所有训练样本的瞬时能量信号Ers对堆栈去噪自动编码(SDAE)进行训练,如图2所示,具体描述为:
S51、首先将训练样本的瞬时能量信号Ers输入至第一个去噪自动编码器(DAE1),将Ers的含噪信号编码为:
其中,θ1为编码网络的参数集合,W1是DAE1的权重矩阵,b1是偏置向量,f(*)为sigmoid激活函数。
S52、利用与S51相同的方式训练DAE2,将h1作为输入编码为h2。
S53、重复该过程,直到第N个DAE训练完毕,将输入编码为:
S54:提取每个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,对样本进行分类,输出标签y的数学表达式为
式中,θN+1为输出层的参数,g(*)是Softmax函数。
S55、设样本真实标签为c,通过梯度下降法最小化交叉熵损失函数完成微调。
式中Θ={θ1,θ2,…θN+1},为网络模型参数集。
S6、将测试样本的瞬时能量信号Ers输入到训练后的SDAE网络模型,输出故障诊断结果。
Claims (6)
1.一种基于VMD-SDAE的行星齿轮箱故障诊断方法,其特征在于,具体包括以下步骤:
S1、通过安装在行星齿轮箱外壳上的加速度传感器采集行星齿轮箱振动信号,并将采集的振动信号分为训练样本与测试样本;
S2、采用变分模态分解(VMD)对所有样本进行模态分解,获得若干窄带固有模态函数(BIMF)分量;
S3、从分解的BIMF分量中提取出故障敏感分量BIMFs;
S4、计算故障敏感分量BIMFs的瞬时能量信号Ers;
S5、采用所有训练样本的瞬时能量信号Ers对堆栈去噪自动编码(SDAE)进行训练;
S6、采用训练后的SDAE网络模型对测试样本的瞬时能量信号Ers进行故障特征提取与模式分类,并输出故障诊断结果。
2.根据权利要求1所述的一种基于VMD-SDAE的行星齿轮箱故障诊断方法,其特征在于,所述步骤S1中的行星齿轮箱振动信号包括正常、行星齿轮裂纹、行星齿轮缺齿、行星齿轮断齿和行星齿轮箱磨损五种类型。
3.根据权利要求1所述的一种基于VMD-SDAE的行星齿轮箱故障诊断方法,其特征在于,所述步骤S2中的采用VMD进行模态分解的样本信号的输入频带宽度为[0,5fm],fm为行星齿轮啮合频率。
4.根据权利要求1所述的一种基于VMD-SDAE的行星齿轮箱故障诊断方法,其特征在于,所述步骤S3中故障敏感分量BIMFs的选取原则为:选取中心频率等于或接近行星齿轮啮合频率fm及倍频中的频率最高的BIMF分量。
5.根据权利要求1所述的一种基于VMD-SDAE的行星齿轮箱故障诊断方法,其特征在于,所述步骤S4中瞬时能量信号Ers计算步骤如下:
步骤1、计算故障敏感信号BIMFs的希尔伯特变换:
步骤2、计算BIMFs的瞬时包络信号:
步骤3、计算BIMFs的瞬时能量信号:
Ers(t)=|as(t)|2
6.根据权利要求1所述的一种基于VMD-SDAE的行星齿轮箱故障诊断方法,其特征在于,所述步骤S5、S6中的SDAE采用softmax分类器作为输出层。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910495399.8A CN110146281A (zh) | 2019-06-06 | 2019-06-06 | 一种基于vmd-sdae的行星齿轮箱故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910495399.8A CN110146281A (zh) | 2019-06-06 | 2019-06-06 | 一种基于vmd-sdae的行星齿轮箱故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110146281A true CN110146281A (zh) | 2019-08-20 |
Family
ID=67590899
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910495399.8A Pending CN110146281A (zh) | 2019-06-06 | 2019-06-06 | 一种基于vmd-sdae的行星齿轮箱故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110146281A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111695631A (zh) * | 2020-06-12 | 2020-09-22 | 泽恩科技有限公司 | 基于sae的检定故障特征提取方法、装置、设备以及介质 |
CN112051480A (zh) * | 2020-08-06 | 2020-12-08 | 国网安徽省电力有限公司电力科学研究院 | 基于变分模态分解的神经网络配电网故障诊断方法及系统 |
CN112855922A (zh) * | 2021-02-11 | 2021-05-28 | 中国人民解放军陆军装甲兵学院 | 一种行星齿轮裂纹深度评估方法 |
CN112903294A (zh) * | 2021-01-07 | 2021-06-04 | 泰华宏业(天津)智能科技有限责任公司 | 基于vmd与深度卷积神经网络的滚动轴承故障诊断方法 |
CN113702043A (zh) * | 2021-08-09 | 2021-11-26 | 大连理工大学 | 一种基于povmd和fdtw的时变转速下行星齿轮箱故障诊断方法 |
WO2023024242A1 (zh) * | 2021-08-23 | 2023-03-02 | 洛阳轴承研究所有限公司 | 一种轴承单元振动测试方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106682688A (zh) * | 2016-12-16 | 2017-05-17 | 华南理工大学 | 基于粒子群优化的堆叠降噪自编码网络轴承故障诊断方法 |
CN108056773A (zh) * | 2017-12-11 | 2018-05-22 | 重庆邮电大学 | 基于改进变分模态分解的心电信号qrs波群检测算法 |
CN108363382A (zh) * | 2018-02-09 | 2018-08-03 | 哈尔滨工业大学(威海) | 一种复杂装备故障诊断方法及系统 |
CN109060347A (zh) * | 2018-10-25 | 2018-12-21 | 哈尔滨理工大学 | 基于堆叠消噪自动编码器和门控循环单元神经网络的行星齿轮故障识别方法 |
-
2019
- 2019-06-06 CN CN201910495399.8A patent/CN110146281A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106682688A (zh) * | 2016-12-16 | 2017-05-17 | 华南理工大学 | 基于粒子群优化的堆叠降噪自编码网络轴承故障诊断方法 |
CN108056773A (zh) * | 2017-12-11 | 2018-05-22 | 重庆邮电大学 | 基于改进变分模态分解的心电信号qrs波群检测算法 |
CN108363382A (zh) * | 2018-02-09 | 2018-08-03 | 哈尔滨工业大学(威海) | 一种复杂装备故障诊断方法及系统 |
CN109060347A (zh) * | 2018-10-25 | 2018-12-21 | 哈尔滨理工大学 | 基于堆叠消噪自动编码器和门控循环单元神经网络的行星齿轮故障识别方法 |
Non-Patent Citations (1)
Title |
---|
蒲子玺: "基于VMD的滚动轴承故障诊断研究", 《中国优秀硕士学位论文全文数据库工程科技II辑》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111695631A (zh) * | 2020-06-12 | 2020-09-22 | 泽恩科技有限公司 | 基于sae的检定故障特征提取方法、装置、设备以及介质 |
CN112051480A (zh) * | 2020-08-06 | 2020-12-08 | 国网安徽省电力有限公司电力科学研究院 | 基于变分模态分解的神经网络配电网故障诊断方法及系统 |
CN112903294A (zh) * | 2021-01-07 | 2021-06-04 | 泰华宏业(天津)智能科技有限责任公司 | 基于vmd与深度卷积神经网络的滚动轴承故障诊断方法 |
CN112855922A (zh) * | 2021-02-11 | 2021-05-28 | 中国人民解放军陆军装甲兵学院 | 一种行星齿轮裂纹深度评估方法 |
CN113702043A (zh) * | 2021-08-09 | 2021-11-26 | 大连理工大学 | 一种基于povmd和fdtw的时变转速下行星齿轮箱故障诊断方法 |
WO2023024242A1 (zh) * | 2021-08-23 | 2023-03-02 | 洛阳轴承研究所有限公司 | 一种轴承单元振动测试方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110146281A (zh) | 一种基于vmd-sdae的行星齿轮箱故障诊断方法 | |
CN102879196B (zh) | 利用矩阵小波变换的行星齿轮箱复合故障诊断方法 | |
CN110146282A (zh) | 基于多域堆栈去噪自动编码网络的行星齿轮箱故障诊断方法 | |
Parey et al. | Gearbox fault diagnosis using acoustic signals, continuous wavelet transform and adaptive neuro-fuzzy inference system | |
CN102721545B (zh) | 一种基于多特征参量的滚动轴承故障诊断方法 | |
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 | |
CN100485342C (zh) | 机械故障的集成支持向量机混合智能诊断方法 | |
CN103728130B (zh) | 一种基于稀疏分解的风力发电机组故障特征提取方法 | |
CN103900816A (zh) | 一种风力发电机组轴承故障诊断方法 | |
CN107608936A (zh) | 一种行星齿轮箱复合故障特征提取方法 | |
CN107449603A (zh) | 基于支持向量机的风机故障诊断方法 | |
CN109060347B (zh) | 基于堆叠消噪自动编码器和门控循环单元神经网络的行星齿轮故障识别方法 | |
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 | |
CN106441871A (zh) | 一种基于自适应共振稀疏分解理论的风电齿轮箱故障诊断方法 | |
CN104374575A (zh) | 一种基于盲源分离的风力机主轴承故障诊断方法 | |
CN103018043A (zh) | 变转速轴承故障诊断方法 | |
CN107702922A (zh) | 基于lcd与堆叠自动编码器的滚动轴承故障诊断方法 | |
CN108801630A (zh) | 单通道盲源分离的齿轮故障诊断方法 | |
CN108919116B (zh) | 基于MCCKAF-FFT-Softmax的海流发电机不平衡定子电流故障诊断方法 | |
CN108444698A (zh) | 基于teo解调和随机共振的行星齿轮箱早期故障诊断方法 | |
CN103940607B (zh) | 不依赖于时域平均的行星齿轮箱信号分离和诊断方法 | |
CN111198098A (zh) | 一种基于人工神经网络的风力发电机轴承故障预测方法 | |
CN115683604A (zh) | 一种基于不平衡数据的工程机械故障诊断方法 | |
CN109520611A (zh) | 一种地震模拟振动台工况的监测方法 | |
Xu et al. | Fault diagnosis method for wind turbine gearbox based on image characteristics extraction and actual value negative selection algorithm |
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: 20190820 |
|
WD01 | Invention patent application deemed withdrawn after publication |