CN110222386A - 一种行星齿轮退化状态识别方法 - Google Patents
一种行星齿轮退化状态识别方法 Download PDFInfo
- Publication number
- CN110222386A CN110222386A CN201910433557.7A CN201910433557A CN110222386A CN 110222386 A CN110222386 A CN 110222386A CN 201910433557 A CN201910433557 A CN 201910433557A CN 110222386 A CN110222386 A CN 110222386A
- Authority
- CN
- China
- Prior art keywords
- planetary gear
- component
- degenerate state
- signal
- degenerate
- 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.)
- Withdrawn
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Abstract
本发明公开了一种行星齿轮退化状态识别方法,该方法包括进行多个振动传感器优化布置和原始振动信号采集,采用自适应改进奇异谱分解将原始振动信号分解为多个SSDC分量,多SSDC分量多尺度增强信息维度提取构成行星齿轮退化状态特征矩阵,构建基于卷积神经网络的行星齿轮退化状态识别模型。本发明方法可提取行星齿轮退化状态产生的特征信息矩阵,并根据提取的特征信息矩阵实现行星齿轮退化状态识别,是一种有效的行星齿轮退化状态识别方法。
Description
技术领域
本发明涉及一种行星齿轮退化状态识别方法,属于行星齿轮故障诊断技术领域。
背景技术
行星齿轮传动具有体积小、质量轻、传动比大的优点,被广泛应用于大型复杂机械的传动系统,其长期运行在恶劣工况条件下,极易产生局部损伤,并经历不同的退化状态演变为致命故障,直接影响到机电装备的运行可靠性。因此,准确的识别行星齿轮当前所处的退化状态对于有目的的进行行星轮系维护工作,进一步预测行星轮系故障的发展态势,避免发生突发性故障具有重大的意义。
在实际工程中,行星齿轮工作环境相对恶劣,加上自身结构的特殊性和复杂性,其振动信号具有强烈的非线性和非平稳性。同时,行星齿轮所经历的不同退化状态仍属于同一种故障类型,仅仅损伤程度不同,其特征差异更小,故障特征信息更加微弱。因此,行星齿轮的退化状态识别相比于一般的故障诊断问题具有更大的难度。目前故障特征提取方法主要采用信号分解结合特征量化,仍然存在一定的缺点。基于经验模态分解的这类方法当处理间歇信号时,容易产生模态混叠,同时其获得的分解结果本征模态函数(Intrinsic modefunction,IMF)分量缺乏物理意义。基于小波变换的这类方法受限制于分解基函数和分解层数的确定。奇异谱分析(Singular Spectrum Analysis,SSA)是一种基于主成分分析的非参数化谱估计方法,其基于数据驱动,能够捕捉高度非谐振荡形状,适用于处理非线性和非平稳振动信号。但是其嵌入维数以及分量分组重构准则都是基于经验来选择,无法实现被分解信号频带的自适应划分,某些情况下的分析结果缺乏物理含义和产生混叠现象。奇异谱分解(SSD)是一种新型的自适应信号处理方法,能够将单分量信号依次从高频到低频自适应重构获得一系列奇异谱分解分量(Singular spectrum decomposition components,SSDCs),每个SSDC分量中都包含能够表征行星齿轮退化状态的特征信息,因此故障特征量化提取是关键。多尺度分析能够从不同的时间尺度多维的体现信号特征,兼顾全局信息与细节信息。同时,信息维数可以从概率学角度反映信号几何形态的复杂度和稀疏度,能够量化分量中包含的退化状态特征信息。因此,将多尺度分析和信息维数相结合能够实现不同时间尺度下SSDC分量的复杂度和稀疏度量化表征。
最后关键在于识别行星齿轮的退化状态。传统的模式识别方法,如支持向量机,反向传播神经网络和模糊聚类等,无法处理多维数据,识别效果差,训练样本小,容易陷入局部最优和过度拟合。卷积神经网络是一个具有多个隐藏层的深度学习网络模型,能够捕捉多维数据间的关联,容错性、自适应能力强。
发明内容
本发明提供一种基于自适应改进奇异谱分解、多尺度增强信息维度和卷积神经网络的行星齿轮退化状态识别方法。该方法通过自适应改进奇异谱分解分离不同退化状态行星齿轮所产生的特征信息,选用多尺度分析与增强信息维度相结合量化特征信息,并将其输入卷积神经网络识别退化状态,是一种有效的行星齿轮退化状态识别方法。
本发明所采用的技术方案如下:
一种行星齿轮退化状态识别方法,包括以下步骤:
(1)进行加速度振动传感器优化布置,测量行星齿轮壳体的原始振动信号;
(2)将所述原始振动信号进行自适应改进的奇异谱分解,得到一系列奇异谱分解分量;
(3)提取所述奇异谱分解分量的多尺度增强信息维度,构成奇异谱分解分量尺度增强信息维度特征矩阵;
(4)构建基于卷积神经网络的行星齿轮退化状态识别模型。
前述的步骤(1)中,所述原始振动信号包括正常行星齿轮、断裂行星齿轮的4级退化状态和点蚀行星齿轮的4级退化状态,共9种退化状态。
前述的步骤(2)中,将所述原始振动信号进行自适应改进的奇异谱分解,包括:
(21)自适应选取嵌入维数m:
j=1时,设置m=N/3;
j>1时,设置m=l(fs/fmax),
其中,j表示迭代次数,fs为采样频率,fmax为vj(n)的功率谱密度中最大峰值所对应的频率,N表示原始振动信号的信号点数,l是调整窗长和想要的信号成分的平均周期的比值因子;
(22)构建轨迹矩阵:
将原始振动信号时间序列{x1,x2,...,xN}转换为轨迹矩阵
其中,
(23)进行分量分组与分量重构:
第一次迭代时,如果所检测的分量是一个趋势项,则利用第一个左右特征向量进行构成g(1)(n),即:
其中,dia()代表对角平均计算,X1为所构建的相空间矩阵,σ1为第一个奇异值,u1为左特征向量,v1 T为右特征向量;
如果在第一次迭代中所检测的分量不是一个趋势项,则继续进行迭代,对于第j次迭代,j>1,根据以下规则获得一系列的奇异谱分解分量序列g(j)(n):
从所有的特征值集合中创建一个子集Ij={i1,i2,...,ip},其中,ip为第p个特征值;
子集Ij的确定原则为:根据左特征向量在频带[fmax-Δf,fmax+Δf]范围中具有突出主频率的所有特征组和对选取信号分量的主峰能量贡献最大的一个特征组,然后通过矩阵XIj=Xi1+Xi2+…+Xip的对角平均可重构获得所对应的信号分量;
其中,Xip为利用第p个特征值进行奇异值分解反过程获得的空间矩阵;
(24)判断是否达到终止条件,是则分量分组重构结束,否则重新进行分量分组与分量重构。
前述的步骤(23)中,设定相关峭度指标,对分量分组的有效性进行判定,如果达到标准,则分量分组重构有效,如果没有达到标准,则重新进行分量分组重构。
前述的步骤(24)中,所述终止条件为:
计算每一次迭代的残余成分和原始信号之间的归一化均方差,即:
其中,NMSE(j)为第j次迭代的归一化均方差,vj+1(i)为第i个原始振动信号点第j次迭代后获得的残余分量,xi为原始振动信号时间序列中的第i个信号点,为第i个原始振动信号点第j次迭代获得的信号分量;
如果归一化均方差小于设定的阈值,则迭代终止。
前述的步骤(3)中,提取所述奇异谱分解分量的多尺度增强信息维度,包括:
(31)针对一个奇异谱分解分量{z1,z2,...,zN},设定尺度因子τ的数值,即获得尺度τ下的新的时域信号
(32)对于不同尺度下的奇异谱分解分量,在有效序列长度内,将相邻信号序列的差值作为重构信号,即:
s0(i)=s(i+1)-s(i),i=1,2,...,N-1,
最终增强信息维数通过下式计算:
其中,S代表信号差值的总能量,p(i)为第i个信号差值所占总能量的比例,HI为所计算的信号能量。
前述的尺度因子τ设置为50。
前述的步骤(4)中,所述基于卷积神经网络的行星齿轮退化状态识别模型以奇异谱分解分量尺度增强信息维度特征矩阵为输入,以行星齿轮的退化状态为输出;
所述模型的隐藏层由两个卷积层和两个池化层交替组成,在卷积层1中,卷积核的数量为6,卷积核的大小为3×3,滑移步长为1,激活函数被选为Sigmoid函数;在池化层1中,池化区域的大小是1×6,并且池化区域不重叠;在卷积层2中,卷积核的数量是12,其他参数与卷积层1相同;在池化层2中,池化区域的大小是1×3,并且池化区域不重叠;
所述模型的全连接层的特征尺寸设置为120。
前述的池化层选用最大池化方法。
前述的行星齿轮退化状态识别模型使用Softmax分类器。
本发明的有益效果是:
(1)本发明识别过程快速、准确,可消除行星齿轮传动过程中由制造误差、安装误差、多齿传动等产生的干扰及外界噪声影响,自适应处理采集的原始振动信号,并提取微弱故障特征信息,准确有效识别行星齿轮退化状态。
(2)本发明一定程度上丰富和完善了特征提取、故障诊断方法,结果可靠、简单易行、通用性强,适用于大型重载机械的行星齿轮箱状态检测及诊断。
附图说明
图1是本发明的行星齿轮退化状态识别方法的流程图。
图2是本发明实施例中,正常行星齿轮、断裂行星齿轮的4级退化状态和点蚀行星齿轮的4级退化状态,共9种退化状态的振动信号时域波形图。
图3是本发明实施例中,2级断裂行星齿轮退化状态振动信号的自适应改进SSD分解图。
图4(a)是本发明实施例中,正常行星齿轮的多SSDC分量多尺度增强信息维数图。
图4(b)是本发明实施例中,1级断裂行星齿轮退化状态的多SSDC分量多尺度增强信息维数图。
图4(c)是本发明实施例中,2级断裂行星齿轮退化状态的多SSDC分量多尺度增强信息维数图。
图4(d)是本发明实施例中,3级断裂行星齿轮退化状态的多SSDC分量多尺度增强信息维数图。
图4(e)是本发明实施例中,4级断裂行星齿轮退化状态的多SSDC分量多尺度增强信息维数图。
图4(f)是本发明实施例中,1级点蚀行星齿轮退化状态的多SSDC分量多尺度增强信息维数图。
图4(g)是本发明实施例中,2级点蚀行星齿轮退化状态的多SSDC分量多尺度增强信息维数图。
图4(h)是本发明实施例中,3级点蚀行星齿轮退化状态的多SSDC分量多尺度增强信息维数图。
图4(i)是本发明实施例中,4级点蚀行星齿轮退化状态的多SSDC分量多尺度增强信息维数图。
图5是本发明实施例中,迭代次数设置为100的CNN训练过程图。
图6是本发明实施例中,CNN对9种退化状态的识别率直方图。
具体实施方式
下面对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
如图1所示,本发明提供一种基于自适应改进奇异谱分解、多尺度增强信息维数和卷积神经网络的行星齿轮退化状态识别方法,包括以下步骤:
(1)针对具体的行星齿轮结构进行功率流分析,实现多个振动传感器优化布置;然后利用多个加速度振动传感器测量行星齿轮壳体的原始振动信号,得到的原始振动信号包括正常行星齿轮、断裂行星齿轮的4级退化状态和点蚀行星齿轮的4级退化状态,共9种退化状态。
(2)获得包含故障特征信息的多个SSDC分量。具体为:利用自适应改进SSD分解对原始振动信号进行分解,首先基于数据特性根据自适应选取的嵌入维数构建轨迹矩阵,然后将轨迹矩阵进行奇异值分解后,进行分量自适应分组重构,并设定相关峭度等指标对分量分组重构的有效性进行判定,最后通过迭代终止条件得到具有明确物理含义的多个SSDC分量。具体如下:
自适应改进SSD分解过程如下:
(21)自适应选取嵌入维数m,
假设第j次迭代的残余分量为:
其中,vj(n)为第j次迭代后的第n个信号的残余分量,xn为行星齿轮原始振动信号的第n个信号点。
进一步计算第j次迭代的残余分量vj(n)的功率谱密度,获得功率谱密度中最大峰值所对应的频率fmax。
在第一次迭代时,如果fmax数值较小(在此采用fmax/fs是否小于0.001来衡量,其中,fs为采样频率),则说明残余分量被视为一个趋势项,此时设置m=N/3,N表示原始振动信号的信号点数。
若不是第一次迭代(j>1),则设置m=l(fs/fmax),其中,l是调整窗长和想要的信号成分的平均周期的比值因子,一般情况下选择1.2。
(22)构建轨迹矩阵。利用嵌入维数m(1<m<N),将长度为N的原始振动信号时间序列{x1,x2,...,xN}转换为轨迹矩阵其中,
(23)分量分组与分量重构。在第一次迭代中(j=1),如果所检测的分量是一个趋势项,那么只利用第一个左右特征向量进行构成g(1)(n),即:
其中,dia()代表对角平均计算过程,X1为所构建的相空间矩阵,σ1为第一个奇异值,u1为左特征向量,v1 T为右特征向量。
如果在第一次迭代中所检测的分量不是一个趋势项,那么继续进行迭代,针对第j次迭代(j>1),根据以下规则获得一系列的SSDC分量序列g(j)(n):
信号的主要频率成分集中在频带[fmax-Δf,fmax+Δf],其中,Δf表示残余成分功率谱密度中主峰的半带宽。进一步从所有的特征值集合中创建一个子集Ij={i1,i2,...,ip},其中,ip为第p个特征值。
子集Ij的确定原则为:根据左特征向量在频带[fmax-Δf,fmax+Δf]范围中具有突出主频率的所有特征组和对选取信号分量的主峰能量贡献最大的一个特征组,然后通过矩阵XIj=Xi1+Xi2+…+Xip的对角平均可重构获得所对应的信号分量,其中,Xip为利用第p个特征值进行奇异值分解反过程获得的空间矩阵。
功率谱密度中主峰半带宽Δf与所获得信号分量振荡成分的平均时间跨度相关,为了更好的估计主峰半带宽Δf,本发明构建了具有叠加高斯函数的谱模型来描述功率谱密度(Power Spectral Density,PSD)的分布,该模型定义为三个高斯函数的和,并且每个函数代表了一个谱峰。
式中,Ai为第i个高斯函数的幅值,ui为位置,σi为带宽;θ=[Aσ]T是一个参数矢量,并且满足A=[A1,A2,A3]和σ=[σ1,σ2,σ3]。
第1个高斯函数靠近主谱峰对应的频率fmax,第2个高斯函数靠近次谱峰对应的频率f2,第3个高斯函数靠近前两个谱峰间任意峰值对应的频率。即:
模型参数Ai通过加权最小二乘法获得:
其中,为第i个高斯函数的幅值,采用Levenberg-Marquardt法确定模型参数Ai最优值,给定σ1的估计值,能够获得主峰带宽Δf=2.5σ1,通过上述方法可以确定关于噪声效应的主要特征值XIj。在第j次迭代中,能够剔除与本次迭代频带[fmax-Δf,fmax+Δf]不匹配的具有不同时间尺度的信号分量,并在后续的迭代中被识别。进一步,为了恢复第j个信号分量开始第j次迭代,采用尺度因子调整g(1)(n)与残余时间序列v(j)(n)的差值,即:
其中,a代表等于后面公式最小的时候的a的数值。
在分量分组重构过程中,设定相关峭度、相关性等指标,对分量分组的有效性进行判定,如果达到标准,则分量分组重构有效,如果没有达到标准,则重新进行分量分组重构。
(24)判断是否达到终止条件。将每一次迭代获得信号分量从原始信号中分离,所获得残余成分为计算所得残余成分和原始信号之间的归一化均方差,即:将迭代终止条件设置为归一化均方差小于一定阈值。最终得到行星齿轮退化状态振动信号的多个SSDC分量。
(3)提取多个SSDC分量多尺度增强信息维度,包括:
(31)针对一个SSDC分量{z1,z2,...,zN},设定尺度因子τ的数值,即可获得尺度τ下的新的时域信号
(32)对于不同尺度下的SSDC分量,在有效序列长度内,将相邻信号序列的差值作为重构信号,即:s0(i)=s(i+1)-s(i),i=1,2,...,N-1,最终增强信息维数可以通过下式计算:
其中,S代表信号差值的总能量,p(i)为第i个信号差值所占总能量的比例,HI为所计算的信号能量。本发明中τ设置为50。
(4)构建基于卷积神经网络(CNN)的行星齿轮退化状态识别模型,包括:
(41)设定卷积层中卷积内核大小和卷积特征映射函数,卷积特征映射函数表示如下:
式中,和分别是n-th图层和m-th图层的l-th特征图和l+1-th特征图。是两个特征映射之间的卷积核,是偏差,f()是非线性激活函数,在这里,使用Sigmoid函数,如下所示:
(42)设定池化层中池化特征映射函数:
式中,s是下采样的模板大小,是模板权重。
根据不同的抽样方法,池化层计算方法包括最大池化,平均池化和随机池化。池化是连续区域中要素的聚合统计,区域特征由最大值和平均值等表示。在本发明中,使用了最大池化方法。
(43)设定完全连接层的矢量变换维数
完全连接层采用完全连接模式,处理合并特征映射的矢量变换。该层的二维特征矩阵被拉伸成一维特征向量。完全连接层仍然等同于卷积层,不同之处在于输出的排列不同,或者池化特征映射的元素直接排列在一个维度向量中。
(44)设定分类器层中分类方法
由于行星齿轮的退化状态识别是一种多模式分类问题,因此本发明分类层中采用Softmax方法。
根据故障信息特征矩阵大小9×50与识别9种退化状态构建CNN识别模型。根据多SSDC分量多尺度增强信息维度构造的特征矩阵定义为CNN的输入,故CNN的输入层的特征矩阵大小是9×50。CNN的隐藏层由两个卷积层和两个池化层交替组成。在卷积层1中,卷积核的数量为6,卷积核的大小为3×3,滑移步长为1,激活函数被选为Sigmoid函数。在池化层1中,池化区域的大小是1×6,并且池化区域不重叠。在卷积层2中,卷积核的数量是12,其他参数与第一层相同。在池化层2中,池化区域的大小是1×3,并且池化区域不重叠。全连接层的特征尺寸设置为120。鉴于本发明中需要识别行星齿轮的9种退化状态,故CNN输出层的神经元数量设置为9,并使用Softmax分类器。
实施例
结合实验综合运用上述方法进行行星齿轮退化状态识别。行星齿轮故障实验在美国Spectra Quest公司的DDS机械故障综合模拟实验台上进行。本实验测量正常行星齿轮、断裂行星齿轮的4级退化状态和点蚀行星齿轮的4级退化状态共9种退化状态,通过对所采集振动信号进行分析,检验所建立的退化状态识别方法。
在DDS机械故障综合模拟实验台上进行行星齿轮故障模拟实验,提取正常行星齿轮、断裂行星齿轮的4级退化状态和点蚀行星齿轮的4级退化状态共9种退化状态。根据试验台行星齿轮箱的基本参数及其早期振动信号的初步分析,行星齿轮箱的特征频率及其边频均在20Hz-640Hz的频段,行星齿轮箱的最高和最突出的固有频率在2800Hz-3200Hz的频带内。根据奈奎斯特采样原理,应重点关注特征频率频段中包含的故障信息,并且还需要考虑行星齿轮箱的固有频率。另外,考虑到过高的采样频率会增加计算量并影响计算效率,设置采样频率为6400Hz,数据分析点数为6000,电机输出转速为45Hz。行星齿轮基本参数为:太阳轮28齿,行星轮40齿,内齿圈100齿。采集的9种行星齿轮退化状态的振动信号如图2所示,由于行星齿轮振动信号的非平稳和非线性以及各种退化状态振动信号之间的微小差异,从图2中看出时域振动信号之间没有明显的特征差异,无法区分出齿轮的退化状态。下面采用本发明提出的基于自适应改进奇异谱分解、多尺度增强信息维数和卷积神经网络的行星齿轮退化状态识别方法对振动信号进行处理,识别行星齿轮的退化状态。以2级断裂行星齿轮退化状态为例,对其进行自适应改进SSD分解,得到的多个SSDC分量时域图如图3所示。2级断裂行星齿轮退化状态振动信号通过一系列迭代被分解为9个SSDC分量,并且SSDC1-SSDC9从低频到高频顺序排列。SSDC1-SSDC4具有明显的周期性,表明自适应改进SSD分解可以分离隐藏在原始振动信号中的周期分量,并且原始振动信号中的高频信息被分解到SSDC5-SSDC9分量中。每个SSDC分量包含大量特征信息,这有助于识别行星齿轮的退化状态。进一步采用多尺度增强信息维数,从每个SSDC分量的不同时间尺度提取和量化特征信息。在多尺度增强信息维数的计算过程中,比例因子τ设置为50。对于每个SSDC,分量可以获得50个时间尺度下的新时间序列,然后对每个新时间序列提取增强信息维度特征。9种退化状态的多SSDC分量多尺度增强信息维度如图4(a)、(b)、(c)、(d)、(e)、(f)、(g)、(h)、(i)所示。从图4中可以看出,对于同一SSDC分量,从不同时间尺度提取的增强信息维度具有一定差异,增强信息维数值从SSDC1-SSDC9呈现上升趋势。由于正常行星齿轮的振动信号相对规律和简单,当故障发生时,行星齿轮的刚度具有局部非线性变化,导致振动信号具有更强的非线性和非平稳性。与其他故障退化状态相比,正常行星齿轮的多尺度增强信息维度数值更小。另外,每个SSDC分量的多尺度增强信息维度对于行星齿轮故障的不同退化状态也是不同的。主要区别在于某些时间尺度上某些SSDC分量的增强信息维度随着行星齿轮退化状态的变化而显着变化。基于各退化状态的多SSDC分量多尺度增强信息维度的差异,采用CNN实现对行星齿轮退化状态的有效识别。下面构建基于CNN的行星齿轮退化状态识别模型,根据多SSDC分量多尺度增强信息维度构造的特征矩阵定义为CNN的输入,因此CNN的输入层的特征矩阵大小是9×50。CNN的隐藏层由两个卷积层和两个池化层交替组成。在卷积层1中,卷积核的数量为6,卷积核的大小为3×3,滑移步长为1,激活函数被选为Sigmoid函数。在池化层1中,池化区域的大小是1×6,并且池化区域不重叠。在卷积层2中,卷积核的数量是12,其他参数与第一层相同。在池化层2中,池化区域的大小是1×3,并且池化区域不重叠。另外,全连接层的特征尺寸设置为120。由于CNN在本实验中需要识别行星齿轮的9种退化状态,因此CNN输出层的神经元数量设置为9,并使用Softmax分类器。
采用本发明提出的基于自适应改进奇异谱分解、多尺度增强信息维度和卷积神经网络的行星齿轮退化状态识别方法对正常行星齿轮、断裂行星齿轮的4级退化状态和点蚀行星齿轮的4级退化状态,共9种退化状态的振动信号进行处理,最终CNN训练过程如图5所示,CNN对9种退化状态的识别率如图6所示。从图5中可以看出,经过65次迭代,训练样本的均方误差趋于稳定,CNN的训练过程完成。从图6中可以看出,总体退化状态识别率为97.2%,对于1级断裂行星齿轮退化状态识别率为100%。识别率最低的1级点蚀行星齿轮退化状态也可以达到94%。表明利用本发明所述方法处理不同行星齿轮退化状态的振动信号,可成功提取出行星齿轮不同故障不同退化状态的故障特征信息,通过将故障特征信息输入CNN模型能够实现行星齿轮退化状态的有效识别。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (10)
1.一种行星齿轮退化状态识别方法,其特征在于,包括以下步骤:
(1)进行加速度振动传感器优化布置,测量行星齿轮壳体的原始振动信号;
(2)将所述原始振动信号进行自适应改进的奇异谱分解,得到一系列奇异谱分解分量;
(3)提取所述奇异谱分解分量的多尺度增强信息维度,构成奇异谱分解分量尺度增强信息维度特征矩阵;
(4)构建基于卷积神经网络的行星齿轮退化状态识别模型。
2.根据权利要求1所述的一种行星齿轮退化状态识别方法,其特征在于:所述步骤(1)中,所述原始振动信号包括正常行星齿轮、断裂行星齿轮的4级退化状态和点蚀行星齿轮的4级退化状态,共9种退化状态。
3.根据权利要求1所述的一种行星齿轮退化状态识别方法,其特征在于,所述步骤(2)中,将所述原始振动信号进行自适应改进的奇异谱分解,包括:
(21)自适应选取嵌入维数m:
j=1时,设置m=N/3;
j>1时,设置m=l·(fs/fmax),
其中,j表示迭代次数,fs为采样频率,fmax为vj(n)的功率谱密度中最大峰值所对应的频率,N表示原始振动信号的信号点数,l是调整窗长和想要的信号成分的平均周期的比值因子;
(22)构建轨迹矩阵:
将原始振动信号时间序列{x1,x2,...,xN}转换为轨迹矩阵
其中,
(23)进行分量分组与分量重构:
第一次迭代时,如果所检测的分量是一个趋势项,则利用第一个左右特征向量进行构成g(1)(n),即:
其中,dia()代表对角平均计算,X1为所构建的相空间矩阵,σ1为第一个奇异值,u1为左特征向量,v1 T为右特征向量;
如果在第一次迭代中所检测的分量不是一个趋势项,则继续进行迭代,对于第j次迭代,j>1,根据以下规则获得一系列的奇异谱分解分量序列g(j)(n):
从所有的特征值集合中创建一个子集Ij={i1,i2,...,ip},其中,ip为第p个特征值;
子集Ij的确定原则为:根据左特征向量在频带[fmax-Δf,fmax+Δf]范围中具有突出主频率的所有特征组和对选取信号分量的主峰能量贡献最大的一个特征组,然后通过矩阵XIj=Xi1+Xi2+…+Xip的对角平均可重构获得所对应的信号分量;
其中,Xip为利用第p个特征值进行奇异值分解反过程获得的空间矩阵;
(24)判断是否达到终止条件,是则分量分组重构结束,否则重新进行分量分组与分量重构。
4.根据权利要求3所述的一种行星齿轮退化状态识别方法,其特征在于:所述步骤(23)中,设定相关峭度指标,对分量分组的有效性进行判定,如果达到标准,则分量分组重构有效,如果没有达到标准,则重新进行分量分组重构。
5.根据权利要求3所述的一种行星齿轮退化状态识别方法,其特征在于:所述步骤(24)中,所述终止条件为:
计算每一次迭代的残余成分和原始信号之间的归一化均方差,即:
其中,NMSE(j)为第j次迭代的归一化均方差,vj+1(i)为第i个原始振动信号点第j次迭代后获得的残余分量,xi为原始振动信号时间序列中的第i个信号点,为第i个原始振动信号点第j次迭代获得的信号分量;
如果归一化均方差小于设定的阈值,则迭代终止。
6.根据权利要求1所述的一种行星齿轮退化状态识别方法,其特征在于:所述步骤(3)中,提取所述奇异谱分解分量的多尺度增强信息维度,包括:
(31)针对一个奇异谱分解分量{z1,z2,...,zN},设定尺度因子τ的数值,即获得尺度τ下的新的时域信号
(32)对于不同尺度下的奇异谱分解分量,在有效序列长度内,将相邻信号序列的差值作为重构信号,即:
s0(i)=s(i+1)-s(i),i=1,2,...,N-1,
最终增强信息维数通过下式计算:
其中,S代表信号差值的总能量,p(i)为第i个信号差值所占总能量的比例,HI为所计算的信号能量。
7.根据权利要求6所述的一种行星齿轮退化状态识别方法,其特征在于:所述尺度因子τ设置为50。
8.根据权利要求1所述的一种行星齿轮退化状态识别方法,其特征在于:所述步骤(4)中,所述基于卷积神经网络的行星齿轮退化状态识别模型以奇异谱分解分量尺度增强信息维度特征矩阵为输入,以行星齿轮的退化状态为输出;
所述模型的隐藏层由两个卷积层和两个池化层交替组成,在卷积层1中,卷积核的数量为6,卷积核的大小为3×3,滑移步长为1,激活函数被选为Sigmoid函数;在池化层1中,池化区域的大小是1×6,并且池化区域不重叠;在卷积层2中,卷积核的数量是12,其他参数与卷积层1相同;在池化层2中,池化区域的大小是1×3,并且池化区域不重叠;
所述模型的全连接层的特征尺寸设置为120。
9.根据权利要求8所述的一种行星齿轮退化状态识别方法,其特征在于:所述池化层选用最大池化方法。
10.根据权利要求8所述的一种行星齿轮退化状态识别方法,其特征在于:所述行星齿轮退化状态识别模型使用Softmax分类器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910433557.7A CN110222386A (zh) | 2019-05-23 | 2019-05-23 | 一种行星齿轮退化状态识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910433557.7A CN110222386A (zh) | 2019-05-23 | 2019-05-23 | 一种行星齿轮退化状态识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110222386A true CN110222386A (zh) | 2019-09-10 |
Family
ID=67818260
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910433557.7A Withdrawn CN110222386A (zh) | 2019-05-23 | 2019-05-23 | 一种行星齿轮退化状态识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110222386A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111738398A (zh) * | 2020-06-22 | 2020-10-02 | 河海大学常州校区 | 一种用于行星齿轮故障诊断的新型深度特征学习方法 |
CN112595515A (zh) * | 2020-12-04 | 2021-04-02 | 中国船舶工业综合技术经济研究院 | 一种动力轴系轴承故障检测方法及系统 |
CN115330740A (zh) * | 2022-08-22 | 2022-11-11 | 河海大学 | 一种基于mdcn的轻量化裂缝识别方法 |
-
2019
- 2019-05-23 CN CN201910433557.7A patent/CN110222386A/zh not_active Withdrawn
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111738398A (zh) * | 2020-06-22 | 2020-10-02 | 河海大学常州校区 | 一种用于行星齿轮故障诊断的新型深度特征学习方法 |
CN112595515A (zh) * | 2020-12-04 | 2021-04-02 | 中国船舶工业综合技术经济研究院 | 一种动力轴系轴承故障检测方法及系统 |
CN115330740A (zh) * | 2022-08-22 | 2022-11-11 | 河海大学 | 一种基于mdcn的轻量化裂缝识别方法 |
CN115330740B (zh) * | 2022-08-22 | 2023-08-08 | 河海大学 | 一种基于mdcn的轻量化裂缝识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Intelligent fault diagnosis method of planetary gearboxes based on convolution neural network and discrete wavelet transform | |
Han et al. | Multi-level wavelet packet fusion in dynamic ensemble convolutional neural network for fault diagnosis | |
Wang et al. | A new intelligent bearing fault diagnosis method using SDP representation and SE-CNN | |
Wang et al. | An intelligent diagnosis scheme based on generative adversarial learning deep neural networks and its application to planetary gearbox fault pattern recognition | |
CN107702922B (zh) | 基于lcd与堆叠自动编码器的滚动轴承故障诊断方法 | |
Fuan et al. | An adaptive deep convolutional neural network for rolling bearing fault diagnosis | |
CN110161343B (zh) | 一种智能列车外部受电装置的非侵入式实时动态监测方法 | |
CN104792522B (zh) | 一种基于分数阶小波变换和bp神经网络的齿轮缺陷智能分析方法 | |
Zou et al. | Bearing fault diagnosis method based on EEMD and LSTM | |
CN104714925B (zh) | 一种基于分数阶傅里叶变换和支持向量机的齿轮传动噪声分析方法 | |
CN106596116A (zh) | 一种风力发电机组振动故障诊断方法 | |
Luo et al. | A dual-tree complex wavelet enhanced convolutional LSTM neural network for structural health monitoring of automotive suspension | |
CN110222386A (zh) | 一种行星齿轮退化状态识别方法 | |
CN106197999B (zh) | 一种行星齿轮故障诊断方法 | |
CN105760839A (zh) | 基于多特征流形学习与支持向量机的轴承故障诊断方法 | |
CN110110809B (zh) | 基于机器故障诊断的模糊自动机的构建方法 | |
CN107817106A (zh) | 基于贝叶斯残余变换‑奇异值分解‑高斯混合隐马尔科夫模型框架的滚动轴承故障诊断方法 | |
CN103983452B (zh) | 利用混合域特征向量和灰色关联分析对行星齿轮箱进行故障模式识别的方法 | |
CN108535648A (zh) | 电机故障诊断方法和系统 | |
CN114778112A (zh) | 风电发电机组机械故障音频识别和故障诊断方法 | |
CN105424359A (zh) | 一种基于稀疏分解的齿轮和轴承混合故障特征提取方法 | |
CN105424366A (zh) | 基于eemd自适应消噪的轴承故障诊断方法 | |
CN113188807B (zh) | 一种abs结果自动判定算法 | |
CN105678343A (zh) | 基于自适应加权组稀疏表达的水电机组噪声异常诊断方法 | |
Zhao et al. | A novel deep fuzzy clustering neural network model and its application in rolling bearing fault recognition |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20190910 |
|
WW01 | Invention patent application withdrawn after publication |