CN110146282A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN110146282A CN110146282A CN201910495400.7A CN201910495400A CN110146282A CN 110146282 A CN110146282 A CN 110146282A CN 201910495400 A CN201910495400 A CN 201910495400A CN 110146282 A CN110146282 A CN 110146282A
- Authority
- CN
- China
- Prior art keywords
- domain
- signal
- epicyclic gearbox
- multiple domain
- sdae
- 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多域堆栈去噪自动编码网络(SDAE)的行星齿轮箱故障诊断方法,包括步骤:采用加速度传感器采集行星齿轮箱时域振动信号,并获得其频域信号与能量域信号,分别将时域信号、频域信号和能量域信号分为训练样本与测试样本;分别采用时域、频域及能量域信号所有训练样本对SDAE进行训练,将提取的多域故障特征组合后采用MSDAE进行特征融合,融合后特征输入至softmax分类器结合样本标签后进行反向微调;采用训练后的SDAE网络模型对多域测试样本进行故障特征提取及诊断,输出诊断结果。该发明结合深度学习模型提取多域信号内在及彼此关联信息进行故障诊断,适用于复杂振动信号和噪声环境下的行星齿轮箱故障诊断,具有诊断准确率高、鲁棒性好的优点。
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,基于信号处理与浅层学习的方法从复杂背景中提取传统故障特征存在许多不确定因素,而且多变的工况环境会减弱所提取特征的诊断效果。
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。但目前基于单域深度特征不足以挖掘出具有鲁棒性的高层次特征表达,而本发明采用多域深度特征融合的SDAE网络既映射了单域内特征之间的关系,又反映了域间特征之间的关系,解决了复杂振动信号背景下行星齿轮箱的高准确率故障诊断以及变工况条件下的方法健壮性与适应性问题。
发明内容
本发明为了解决复杂的振动信号背景下和变工况条件下的行星齿轮箱故障诊断问题,提供了一种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。
为实现上述目的,本发明提供如下技术方案:一种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,包括如下步骤:
S1、采用加速度传感器采集行星齿轮箱振动的时域信号,并通过计算获得其频域信号与能量域信号,分别将时域信号、频域信号和能量域信号分为训练样本与测试样本;
S2、分别采用时域、频域及能量域信号所有训练样本对各域SDAE进行训练,将各域SDAE提取的多域故障特征组合后采用MSDAE进行特征融合,融合后的特征输入至softmax分类器结合样本标签后进行反向微调;
S3、采用训练后的SDAE网络模型对多域测试样本进行故障特征提取及诊断,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S1中通过对时域信号进行傅里叶变换(FFT)得到频域信号。
根据上述技术方案,所述步骤S1中通过对时域信号进行希尔伯特变换(HHT)后,取其包络的平方作为能量域信号。
根据上述技术方案,所述步骤S2中的各域SDAE网络模型训练采用非监督的前向反馈机制,不采用分类器作为输出层进行反向网络参数微调。
根据上述技术方案,所述步骤S2中的多域SDAE输出级采用softmax结合多域组合特征和样本标签仅对MSDAE网络参数进行反向微调。
与现有技术相比,本发明的有益效果:本发明采用较好抗噪能力的堆栈去噪编码器构建深度学习网络提取时域、频域及能量域的深度故障特征,并通过特征融合诊断实现对行星齿轮箱高质量的故障诊断,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是基于多域堆栈去噪自动编码网络的行星齿轮箱故障诊断方法流程图。
图2是单域SDAE预训练过程示意图。
图3是多域深度特征融合的SDAE微调过程示意图。
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,一种基于多域堆栈去噪自动编码网络的行星齿轮箱故障诊断方法,包括如下步骤:
S1、采用加速度传感器采集行星齿轮箱振动的时域信号,并通过计算获得其频域信号与能量域信号,分别将时域信号、频域信号和能量域信号分为训练样本与测试样本。具体描述为:
S11、采用加速度传感器采集行星齿轮箱振动的时域信号,采样率不低于8倍行星齿轮啮合频率,采样样本不低于1000;
S12、对采集的时域振动信号进行滤波,滤波通带范围为[0,4fm],fm为行星齿轮啮合频率;
S13、对时域信号进行傅里叶变换(FFT)得到频域信号;
S14、对时域信号进行希尔伯特变换(HHT)后,取其包络的平方作为能量域信号;
S15、将所有样本按8∶2的比例分为训练样本和测试样本。
S2、分别采用时域、频域及能量域信号所有训练样本对各自的SDAE网络模型进行训练,并将提取的多域故障特征集组合后结合样本标签对softmax分类器进行训练。如图2所示,具体描述为:
S21、首先将时域训练样本的输入至第一个去噪自动编码器(DAE1),将x的含噪信号编码为:
其中,为编码网络的参数集合,是DAE1的权重矩阵,是偏置向量,f(*)为sigmoid激活函数。
S22、利用与S21相同的方式训练DAE2,将作为输入编码为
S23、重复该过程,直到第N个DAE训练完毕,这样时域SDAE1提取时域特征为:
S24、采用频域训练样本按照S21~S23相同的方式训练频域SDAE2,提取频域特征为:
S25、采用能量域训练样本按照S21~S23相同的方式训练能量域SDAE3,提取能量域特征为:
S26、如图3所示,将输入MSDAE,并按照S21~S23相同的方式训练,最后将融合编码为最后结合样本标签对softmax分类器进行训练。其中输出标签y的数学表达式为:θN+1为输出层的参数,g(*)是softmax函数;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。
S3、采用训练后的SDAE模型对多域测试样本进行故障特征提取及诊断,并输出故障诊断结果。
Claims (6)
1.一种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,其特征在于,具体包括以下步骤:
S1、采用加速度传感器采集行星齿轮箱振动的时域信号,并通过计算获得其频域信号与能量域信号,分别将时域信号、频域信号和能量域信号分为训练样本与测试样本;
S2、分别采用时域、频域及能量域信号所有训练样本对各域SDAE进行训练,将各域SDAE提取的多域故障特征组合后采用MSDAE进行特征融合,融合后的特征输入至softmax分类器结合样本标签后进行反向微调;
S3、采用训练后的SDAE网络模型对多域测试样本进行故障特征提取及诊断,并输出故障诊断结果。
2.根据权利要求1所述的一种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,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所述的一种基于多域堆栈去噪自动编码网络的行星齿轮箱故障诊断方法,其特征在于,所述步骤S1中通过对时域信号进行傅里叶变换(FFT)得到频域信号。
4.根据权利要求1所述的一种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,其特征在于,所述步骤S1中通过对时域信号进行希尔伯特变换(HHT)后,取其包络的平方作为能量域信号。
5.根据权利要求1所述的一种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,其特征在于,所述步骤S2中的各域SDAE网络模型训练采用非监督的前向反馈机制,不采用分类器作为输出层进行反向网络参数微调。
6.根据权利要求1所述的一种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,其特征在于,所述步骤S2中的MSDAE输出级采用softmax结合多域组合特征和样本标签仅对MSDAE网络参数进行反向微调。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910495400.7A CN110146282A (zh) | 2019-06-06 | 2019-06-06 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910495400.7A CN110146282A (zh) | 2019-06-06 | 2019-06-06 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110146282A true CN110146282A (zh) | 2019-08-20 |
Family
ID=67590907
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910495400.7A Pending CN110146282A (zh) | 2019-06-06 | 2019-06-06 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110146282A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110751108A (zh) * | 2019-10-23 | 2020-02-04 | 武汉理工大学 | 一种地铁分布式振动信号相似度确定方法 |
CN111310830A (zh) * | 2020-02-17 | 2020-06-19 | 湖北工业大学 | 一种联合收割机堵塞故障诊断系统及方法 |
CN111413091A (zh) * | 2020-04-02 | 2020-07-14 | 天津大学 | 一种基于数据驱动的强噪声干扰下齿轮箱故障诊断方法 |
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 |
CN113159226A (zh) * | 2021-05-18 | 2021-07-23 | 中国矿业大学 | 一种深度特征和统计特征融合的逆变器故障诊断方法 |
CN115371988A (zh) * | 2022-10-27 | 2022-11-22 | 北谷电子有限公司 | 基于多特征融合的工程机械故障诊断方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106323636A (zh) * | 2016-08-16 | 2017-01-11 | 重庆交通大学 | 栈式稀疏自动编码深度神经网络的机械故障程度特征自适应提取与诊断方法 |
CN109519340A (zh) * | 2018-12-27 | 2019-03-26 | 中国船舶重工集团海装风电股份有限公司 | 一种风电机组传动系统故障诊断方法 |
CN109580215A (zh) * | 2018-11-30 | 2019-04-05 | 湖南科技大学 | 一种基于深度生成对抗网络的风电传动系统故障诊断方法 |
CN109682596A (zh) * | 2018-12-20 | 2019-04-26 | 南京航空航天大学 | 非均衡样本下高速重载输入级故障诊断方法 |
-
2019
- 2019-06-06 CN CN201910495400.7A patent/CN110146282A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106323636A (zh) * | 2016-08-16 | 2017-01-11 | 重庆交通大学 | 栈式稀疏自动编码深度神经网络的机械故障程度特征自适应提取与诊断方法 |
CN109580215A (zh) * | 2018-11-30 | 2019-04-05 | 湖南科技大学 | 一种基于深度生成对抗网络的风电传动系统故障诊断方法 |
CN109682596A (zh) * | 2018-12-20 | 2019-04-26 | 南京航空航天大学 | 非均衡样本下高速重载输入级故障诊断方法 |
CN109519340A (zh) * | 2018-12-27 | 2019-03-26 | 中国船舶重工集团海装风电股份有限公司 | 一种风电机组传动系统故障诊断方法 |
Non-Patent Citations (4)
Title |
---|
王俊: "基于深度学习的行星齿轮箱故障诊断技术研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑(月刊)》 * |
蒋爱国等: "基于多模态堆叠自动编码器的感应电机故障诊断", 《电子测量与仪器学报》 * |
赵川等: "多域特征在行星齿轮箱局部故障识别中的应用", 《振动与冲击》 * |
金棋等: "基于深度学习多样性特征提取与信息融合的行星齿轮箱故障诊断方法", 《中国机械工程》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110751108A (zh) * | 2019-10-23 | 2020-02-04 | 武汉理工大学 | 一种地铁分布式振动信号相似度确定方法 |
CN110751108B (zh) * | 2019-10-23 | 2022-10-14 | 武汉理工大学 | 一种地铁分布式振动信号相似度确定方法 |
CN111310830A (zh) * | 2020-02-17 | 2020-06-19 | 湖北工业大学 | 一种联合收割机堵塞故障诊断系统及方法 |
CN111413091A (zh) * | 2020-04-02 | 2020-07-14 | 天津大学 | 一种基于数据驱动的强噪声干扰下齿轮箱故障诊断方法 |
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 |
CN113159226A (zh) * | 2021-05-18 | 2021-07-23 | 中国矿业大学 | 一种深度特征和统计特征融合的逆变器故障诊断方法 |
CN115371988A (zh) * | 2022-10-27 | 2022-11-22 | 北谷电子有限公司 | 基于多特征融合的工程机械故障诊断方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN102879196B (zh) | 利用矩阵小波变换的行星齿轮箱复合故障诊断方法 | |
Qin et al. | M-band flexible wavelet transform and its application to the fault diagnosis of planetary gear transmission systems | |
CN110146281A (zh) | 一种基于vmd-sdae的行星齿轮箱故障诊断方法 | |
Wang et al. | Vibration based condition monitoring and fault diagnosis of wind turbine planetary gearbox: A review | |
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 | |
CN107702922B (zh) | 基于lcd与堆叠自动编码器的滚动轴承故障诊断方法 | |
CN104748961A (zh) | 基于svd分解降噪和相关性eemd熵特征的齿轮故障诊断方法 | |
CN105510023A (zh) | 基于散度指标的变工况风电行星齿轮箱故障诊断方法 | |
CN101587017A (zh) | 一种基于局部均值分解循环频率谱的齿轮故障诊断方法 | |
CN105973595A (zh) | 一种滚动轴承故障的诊断方法 | |
CN107608936A (zh) | 一种行星齿轮箱复合故障特征提取方法 | |
CN114778112A (zh) | 风电发电机组机械故障音频识别和故障诊断方法 | |
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 | |
CN102721537B (zh) | 基于可变空间-尺度框架的机械冲击型故障诊断方法 | |
CN104374575A (zh) | 一种基于盲源分离的风力机主轴承故障诊断方法 | |
CN102539159A (zh) | 一种柴油机气门机构故障诊断方法 | |
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 | |
CN112257528A (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 | |
CN104330258A (zh) | 一种基于特征参量的滚动轴承故障灰色关联度辨识方法 | |
Zhang et al. | A novel compound fault diagnosis method using intrinsic component filtering | |
CN102053265B (zh) | 一种对地震资料剔除野值的滤波方法 | |
CN115753067B (zh) | 一种基于数字孪生的强噪声下旋转机械故障诊断方法 | |
CN107525671A (zh) | 一种风电传动链复合故障特征分离与辨识方法 | |
CN115683604A (zh) | 一种基于不平衡数据的工程机械故障诊断方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190820 |