CN110146282A

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

Info

Publication number: CN110146282A
Application number: CN201910495400.7A
Authority: CN
Inventors: 孙灿飞; 王友仁
Original assignee: Nanjing University of Aeronautics and Astronautics
Current assignee: Nanjing University of Aeronautics and Astronautics
Priority date: 2019-06-06
Filing date: 2019-06-06
Publication date: 2019-08-20

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

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

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[0，4f_m]，f_m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：θ_N+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，…θ_N+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

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：

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。