CN110553839A

CN110553839A - 一种齿轮箱的单一和复合故障诊断方法、设备及系统

Info

Publication number: CN110553839A
Application number: CN201910794779.1A
Authority: CN
Inventors: 邓超; 梁朋飞; 吴军; 朱锦璇; 张子晗
Original assignee: Huazhong University of Science and Technology
Current assignee: Huazhong University of Science and Technology
Priority date: 2019-08-27
Filing date: 2019-08-27
Publication date: 2019-12-10

Abstract

本发明公开了一种齿轮箱的单一和复合故障诊断方法、设备及系统，属于机械设备状态监测和故障诊断领域。该诊断方法包括：(1)对齿轮箱进行振动信号采集；(2)将采集的振动信号划分为多个数据段，相邻两个数据段有重合数据，计算得到每个数据段对应的小波时频图像；(3)将小波时频图像划分为训练集和测试集，并归一化；(4)利用训练集训练多标签卷积神经网络；(5)利用测试集测试训练好的多标签卷积神经网络；(6)测试合格的多标签卷积神经网络作为故障诊断模型。本发明充分利用了小波变换优秀的特征提取能力和多标签卷积神经网络出色的模式识别能力以及对复合故障诊断问题的适用性，能够有效地实现齿轮箱的单一和复合故障诊断。

Description

一种齿轮箱的单一和复合故障诊断方法、设备及系统

技术领域

本发明属于机械设备状态监测和故障诊断领域，涉及一种齿轮箱的单一和复合故障诊断方法、设备及系统，更具体地，涉及一种基于多标签卷积神经网络和小波变换的齿轮箱单一和复合故障诊断方法及应用。

背景技术

齿轮箱是旋转机械中最广泛使用的传递速度和动力的元件，在制造业中发挥着至关重要的作用。但由于恶劣的工作环境和复杂的内部结构，齿轮、轴和轴承等齿轮箱的主要部件，很容易发生局部故障。齿轮箱故障的发生可能会导致意料之外的停机和巨大的经济损失，甚至还会引起严重的灾难事故。因此，为了保证机械系统的安全运行，人们越来越关注齿轮箱故障技术的研究。然而，现有的齿轮箱故障诊断方法还难以满足实际需要。

随着大数据技术的快速发展，以卷积神经网络为代表的深度学习技术在齿轮箱的故障诊断领域中受到了广泛关注，这种方法首先对原始振动信号进行特征提取，然后再利用卷积神经网络的分类能力进行故障诊断，其故障诊断的效果较好，很多故障诊断的准确率都达到了95％以上。

例如：中国专利CN201710747694.9公开了一种基于卷积神经网络的滚动轴承故障诊断方法，该方法先通过短时傅里叶变换将原始振动数据转化为时频图像，再利用卷积神经网络进行故障诊断；

中国专利CN201610841544.X提出了一种结合卷积神经网络和小波灰度图的旋转机械故障诊断方法，该方法先通过小波分解将原始振动数据转化为小波灰度图，再利用卷积神经网络进行故障诊断。

但是，目前这种故障诊断方法仅在齿轮或者轴承的单一故障诊断中应用较多，而在真实的场景中，几种类型的单一故障可能同时存在，这也就意味着齿轮、轴和轴承可能同时发生故障。因此，找到一种对齿轮箱单一和复合故障均有效的智能故障诊断方法是目前齿轮箱故障诊断中面临的一项亟待解决的问题，具有十分重大的现实意义。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种齿轮箱的单一和复合故障诊断方法、设备及系统，其目的在于，通过将卷积神经网络、多标签分类和小波变换进行融合，获得对单一及复合故障均有效的齿轮箱故障诊断方法，不仅能够实现高精度的故障诊断，而且故障诊断的稳定性也非常好。

为实现上述目的，按照本发明的一个方面，提供了一种齿轮箱的单一和复合故障诊断方法，包括以下步骤：

(1)采集多个已知故障类型的齿轮箱的振动信号，多个齿轮箱涵盖正常模式、单故障模式和复合故障模式，正常模式表示无故障，单故障模式表示只有一种故障类型，复合故障模式表示具有多种故障类型；

(2)将步骤(1)采集的每个振动信号划分为多个数据段，相邻两个数据段有部分重合，计算得到每个数据段对应的小波时频图像；

(3)将步骤(2)获得的所有小波时频图像随机划分为训练集和测试集两部分，训练集需涵盖所有故障模式，并将每张小波时频图像的像素的RGB值归一化到[0,1]区间内；

(4)将步骤(3)归一化后的所有故障模式下训练集的小波时频图像作为多标签卷积神经网络的输入，将对应的故障类型作为多标签卷积神经网络的输出，对多标签卷积神经网络进行训练；

(5)将步骤(3)归一化后的测试集的小波时频图像输入训练好的多标签卷积神经网络中，识别出故障类型；

(6)判断步骤(5)的识别结果是否准确，若准确率符合预期，则保存训练好的多标签卷积神经网络，获得故障诊断模型，用于齿轮箱的单一和复合故障诊断；否则，调整多标签卷积神经网络结构中的网络层数，并重新按照步骤(4)～(5)进行训练和测试，直至识别结果的准确率符合预期。

进一步地，步骤(1)中，采用加速度传感器，采集齿轮箱的加速度信号，且加速度传感器沿齿轮箱的轴向或者径向设置。

进一步地，步骤(2)中通过小波变换公式(1)将采集到的振动信号转化为时频图像：

式中，ψ_a,τ(t)为小波基函数，a为尺度因子，τ为平移量；小波基是Morlet小波，且中心频率和带宽均为2。

进一步地，根据权利要求1所述的一种齿轮箱的单一和复合诊断方法，其特征在于，训练集和测试集的比例为3:1。

进一步地，步骤(4)所述多标签卷积神经网络，其卷积核的大小为3×3，池化核的大小为2×2。

为了实现上述目的，本发明还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现如前任一项所述的方法。

为了实现上述目的，本发明还提供了一种实时检测施工现场图像中多类实体对象的设备，包括如前所述的计算机可读存储介质以及处理器，处理器用于调用和处理计算机可读存储介质中存储的计算机程序。

总体而言，本发明所构思的以上技术方案与现有技术相比，针对齿轮箱的单一和复合故障诊断问题，以加速度传感器所测得的单一振动信号为载体，通过小波变换将振动信号转换成二维的时频图像，将齿轮箱复合故障诊断转化为多标签分类问题，并对传统的神经网络结构进行改进，使其应用到多标签分类任务中。借由上述方案，与现有技术相比，本发明至少具有以下优势：

(1)本发明是通过集成卷积神经网络、多标签分类和小波变换而提出的齿轮箱复合故障诊断方法，与传统故障诊断方法相比，本发明使用的是原始时域振动信号，实行的是端对端的操作方式，不需要对特征进行手动提取和选择，降低了对先验知识、特征筛选和诊断工程经验的依赖，这使本发明的故障诊断能力具有很强的泛化性；

(2)与现有技术相比，本发明对齿轮箱的单一和复合故障诊断均有效，解决了传统的卷积神经网络仅适用于齿轮或者轴承等单一故障诊断问题，具有很强的实际应用意义，且故障诊断的准确率较高，稳定性也较好。

(3)本发明充分利用了小波变换优秀的特征提取能力和多标签卷积神经网络出色的模式识别能力以及对复合故障诊断问题的适用性，能够有效地实现齿轮箱的单一和复合故障诊断，为解决齿轮箱的故障诊断问题提供了一种新的有效途径。

附图说明

图1是本发明实施例齿轮箱复合故障诊断方法的流程图；

图2是本发明实施例齿轮箱复合故障诊断方法中多标签卷积神经网络模型结构示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

如图1，一种基于多标签卷积神经网络和小波变换的齿轮箱单一和复合故障诊断方法包含以下几个步骤：

(1)利用加速度传感器对旋转机械进行信号采集；

本实施例的实验平台主要包括一个原动机、一个变速箱、一个飞轮、一个异步发电机和一台与数据采集板相连的计算机。在变速箱的外侧安装了两个三轴加速度计，分别采集了水平方向和垂直方向的振动信号。然而，由于与垂直方向的振动信号相比，水平方向的故障诊断不明显，因此没有采用沿轴向的振动信号。

实验总共包括16种情况，即1个正常模式，7个单故障模式和8个复合故障模式。所有的故障模式均是人工制造，例如，轴承外座圈的损伤尺寸为1毫米宽，1.5毫米深，通过在输出轴上增加一个偏心块来模拟机械不平衡情况。详细的数据描述如表1所示。

表1 数据描述

k是故障标签的数量.

(2)通过小波变换公式(1)将采集到的振动信号转化为时频图像；

式中，ψ_a,τ(t)为小波基函数，a为尺度因子，τ为平移量。

以10000个点为基准，以5000个点为步长，将每种故障模式的数据切分为400段，即每段包含10000个点，每相邻两段有5000个点重复。然后利用小波变换将其转换成小波时频图像。

(3)以3:1的比例将每种模式的小波时频图像随机划分为训练集和测试集两部分，并将所有小波时频图像的像素的RGB值归一化到[0,1]区间内，详细数据如表1所示；优选地，对小波时频图像的大小进行统一处理。

(4)将归一化后的训练集的小波时频图像输入多标签神经网络中，训练多标签神经网络。根据实际需求，设计合适的多标签卷积神经网络模型。在本实施例的应用场景中，通过调试确定了诊断效果最好的网络结构，其结构图如图2所示；该结构包括6个卷积层、4个池化层和1个全连接层，全连接层的每一个神经元对应一个sigmoid激活函数，优选地，本实施例中网络的输入是大小为128×128、通道数为3的彩色小波时频图像。

(5)将归一化后的测试集的小波时频图像输入训练好的多标签卷积神经网络中；

(6)若测试结果满意，则保存训练好的模型，用于齿轮箱的单一和复合故障诊断。否则，重新设计多标签卷积神经网络，并重新训练网络模型，直至得到满意的结果。

为了更清楚地展示本发明的优势，我们利用澳门大学实验室先进的设备和仪器，进行了齿轮箱复合故障诊断的实验，并从平均测试准确率、每一类的测试准确率以及平均测试准确率的稳定性三个角度，用本发明所提出的基于多标签卷积神经网络和小波变换(WT-MLCNN)的齿轮箱复合故障诊断方法的结果和希尔伯特黄变换(HHT)、成对耦合概率神经网络(PCPNN)、成对耦合关联向量机(PCRVM)、概率委员会机(PCM)、小波包变换(WPT)、时域统计特征(TDSF)、核主成分分析(KPCA)、概率神经网络(PNN)、关联向量机(RVM)、支持向量机(SVM)、极限学习机(ELM)、正则化极限学习机(RELM)、多标签径向基函数(ML-RBF)、双重极限学习机(Dual-ELM)等方法的结果做了对比。

为了验证本发明具有很强的泛化性，即本发明故障诊断时的准确率具有很强的稳定性，我们将做了10次重复实验，其详细结果如表2所示。从表2中可以看出，10次的结果十分接近，标准差只有0.757％，表明实验中不存在偏差和偶然性，即本发明故障诊断的稳定性相当好。

表2 10次试验的准确率

表3给出了10次的平均测试准确率与现存的几种智能故障诊断方法的对比，从中可以看出，本发明的故障诊断准确率为98.43％，远远高于现存的智能故障诊断方法。

表3 本发明平均准确率与其他方法的对比

方法	平均准确率
		HHT+E+PCPNN[38]	85.63％
HHT+E+PCRVM[38]	86.42％
		HHT+E+PCM[38]	89.24％
WPT+TDSF+KPCA+PNN[39]	83.76％
		WPT+TDSF+KPCA+RVM[39]	81.21％
WPT+TDSF+KPCA+SVM[39]	90.78％
		WPT+TDSF+KPCA+ELM[39]	90.89％
EMD+TDSF+PNN[39]	84.52％
		EMD+TDSF+RVM[39]	83.21％
EMD+TDSF+SVM[39]	94.35％
		EMD+TDSF+ELM[39]	94.32％
LMD+TDSF+PNN[39]	84.52％
		LMD+TDSF+RVM[39]	83.21％
LMD+TDSF+SVM[39]	93.27％
		LMD+TDSF+ELM[39]	94.44％
ELM+AE+PNN[39]	84.52％
		ELM+AE+RVM[39]	83.21％
ELM+AE+SVM[39]	93.27％
		ELM+AE+ELM[39]	94.42％
LMD+TDSF+RELM[40]	82.33％
		LMD+TDSF+ML-kNN[40]	81.85％
LMD+TDSF+ML-RBF[40]	82.91％
		LMD+TDSF+Dual-ELMs[40]	83.05％
本发明WT-MLCNN	98.43％

表4给出了本发明在每一类分类效果上的结果，从中我们可以看出，本发明提出的方法在每一类的准确率上非常高，最低的故障诊断准确率也达到了94％。

表4 本发明每一类的准确率和卷积神经网络的对比

综上所述，本发明基于多标签卷积神经网络和小波变换的齿轮箱单一和复合故障诊断方法，利用小波变换完成故障诊断所需的时频特征提取，不仅挖掘出隐藏在原始诊断信号中的丰富信息，而且减少了对诊断经验和特征选择的依赖，和改进后的多标签卷积神经网络算法的巧妙结合，更是克服了传统卷积神经网络技术不适用于复合故障诊断问题的缺点。本发明为解决齿轮箱单一和复合故障诊断问题提供了一种新的切实可行的有效途径，可广泛应用于机械、化工和航空航天等领域的故障诊断中。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims

1.一种齿轮箱的单一和复合故障诊断方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种齿轮箱的单一和复合故障诊断方法，其特征在于，步骤(1)中，采用加速度传感器，采集齿轮箱的加速度信号，且加速度传感器沿齿轮箱的轴向或者径向设置。

3.根据权利要求1所述的一种齿轮箱的单一和复合故障诊断方法，其特征在于，步骤(2)中通过小波变换公式(1)将采集到的振动信号转化为时频图像：

4.根据权利要求1所述的一种齿轮箱的单一和复合诊断方法，其特征在于，根据权利要求1所述的一种齿轮箱的单一和复合诊断方法，其特征在于，训练集和测试集的比例为3:1。

5.根据权利要求1所述的一种齿轮箱的单一和复合诊断方法，其特征在于，步骤(4)所述多标签卷积神经网络，其卷积核的大小为3×3，池化核的大小为2×2。

6.一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现如权利要求1～5任一项所述的方法。

7.一种实时检测施工现场图像中多类实体对象的系统，其特征在于，包括如权利要求6所述的计算机可读存储介质以及处理器，处理器用于调用和处理计算机可读存储介质中存储的计算机程序。