CN111738398A - 一种用于行星齿轮故障诊断的新型深度特征学习方法 - Google Patents
一种用于行星齿轮故障诊断的新型深度特征学习方法 Download PDFInfo
- Publication number
- CN111738398A CN111738398A CN202010571791.9A CN202010571791A CN111738398A CN 111738398 A CN111738398 A CN 111738398A CN 202010571791 A CN202010571791 A CN 202010571791A CN 111738398 A CN111738398 A CN 111738398A
- Authority
- CN
- China
- Prior art keywords
- planetary gear
- automatic coding
- quantum
- coding machine
- node
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
- G06N3/065—Analogue means
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Abstract
本发明公开了一种用于行星齿轮故障诊断的新型深度特征学习方法,包括以下步骤:步骤a、利用振动传感器检测机电装备行星齿轮箱运行过程中所产生的原始振动信号;步骤b、在自动编码机损失函数基础上引入稀疏性惩罚项和收缩性限制项;步骤c、利用量子蚁群优化算法对深度学习架构中每个稀疏自动编码机和收缩自动编码机的具体位置和关键参数进行优化;步骤d、以所采集的行星齿轮箱原始振动信号为新型深度学习架构的输入,确定深度学习架构的初始深度和每层的初始宽度。本发明提供的一种用于行星齿轮故障诊断的新型深度特征学习方法,能够将数据学习能力和特征提取鲁棒性同时发挥到最优,可主动调整深度学习架构中稀疏自动编码机和收缩自动编码机的位置。
Description
技术领域
本发明具体涉及一种用于行星齿轮故障诊断的新型深度特征学习方法,属于机电装备中行星齿轮故障诊断技术领域。
背景技术
随着科学和工业技术的迅速发展,机电设备向高效、安全、可靠和智能化发展。由于行星齿轮的优点,它已成为机电装备传动系统的关键部件。然而,行星齿轮通常在恶劣的条件下工作,经常发生故障,直接影响机电装备传动效率,甚至导致灾难性事故发生。因此,有必要对行星齿轮进行状态监测和诊断分析。
行星齿轮是一个非线性系统,由太阳轮,行星轮和内齿圈组成。同时,行星轮不仅自转而且公转,因此,行星齿轮的振动信号受到行星架“通道效应”影响。另外,振动传感器的安装位置通常是固定的,轮齿啮合到振动传感器安装位置的传递路径是时变的。这些因素导致行星齿轮的产生的振动信号具有更强的非线性,非平稳性和强耦合性,与定轴齿轮箱产生的振动信号相比更加复杂。
目前,传统的行星齿轮故障诊断方法存在一些缺点,主要体现在以下几个方面:(1)传统的故障诊断方法需要采用相关的信号处理算法人工提取故障特征,特征提取更多地依赖于人的参与和经验,缺乏自动化;(2)所设计的人工故障特征提取方法是根据信号特征预先特别设计的,而不是通过主动学习数据来获取故障特征,这对于不同对象和不同工作条件来说不具有好的普适性;(3)基于神经网络的故障诊断识别方法一般只具有浅层结构,但浅层结构限制了非线性特征的学习能力,神经网络的优势不能够充分发挥。一般来说,这些方法需要过多的人工参与,并且依赖于复杂的信号处理技术。特征提取过程缺乏主动性,无法从原始数据中直接学习有效特征。针对存在的问题,深度学习提供了一种有效的方法。它基于深度学习架构的底层直接从原始数据中学习具有抽象性和表达性的深层特征,并且在后一层的基础上学习更具抽象性和更具表达性的特征。最后,可以基于具有高度复杂的多层网络架构表达原始数据的深度特征。
深度学习架构可以基于自动编码机或其改进模型进行构建,但是不同的改进模型具有自己的特点和关注点,并不能充分发挥深度学习在特征提取中的优势。因此,充分发挥不同改进模型的优势,深度研究深度学习在特征提取中的应用是实现和提高行星齿轮故障诊断效果的有效途径。
发明内容
本发明要解决的技术问题是,克服现有技术的局限性,提供一种能够将数据学习能力和特征提取鲁棒性同时发挥到最优,同时针对不同的训练样本和信号,可主动调整深度学习架构中稀疏自动编码机和收缩自动编码机的位置,更具有适应性的用于行星齿轮故障诊断的新型深度特征学习方法。
为解决上述技术问题,本发明采用的技术方案为:
一种用于行星齿轮故障诊断的新型深度特征学习方法,其特征在于:包括以下步骤:
步骤a、布置安装振动传感器,利用振动传感器检测机电装备行星齿轮箱运行过程中所产生的原始振动信号,并利用数据采集卡实现振动信号采集获取;
步骤b、基于自动编码机的基本结构,在自动编码机损失函数基础上引入稀疏性惩罚项,获得改进的稀疏自动编码机,在收缩自动编码机损失函数基础上引入收缩性限制项,获得改进的收缩自动编码机;
步骤c、构建基于融合型堆栈自动编码机的新型深度学习架构,利用量子蚁群优化算法对深度学习架构中每个稀疏自动编码机和收缩自动编码机的具体位置和关键参数进行优化,确定深度学习架构中稀疏自动编码机和收缩自动编码机的合理位置和合理参数;
步骤d、以所采集的行星齿轮箱原始振动信号为新型深度学习架构的输入,确定深度学习架构的初始深度和每层的初始宽度,选用贪婪逐层预训练结合随机梯度下降微调训练算法,以新型深度学习架构诊断识别率为优化目标,利用量子蚁群优化算法确定稀疏自动编码机和收缩自动编码机的具体位置。
步骤a中,振动传感器选用IEPE振动传感器,布置安装方式采用螺钉紧固型式,数据采集卡采用24位高精度同步采集数据采集卡。
步骤a中,原始振动信号包括正常行星齿轮、缺齿行星齿轮、点蚀行星齿轮、磨损行星齿轮、断齿行星齿轮和裂纹行星齿轮。
稀疏自动编码机的稀疏损失函数为:
其中,β是稀疏性惩罚项目的权重,L(x,y)是重建误差;
通过最小化稀疏损失函数来实现稀疏自动编码机的训练:(W,b)SAE=minJSAE,(W,b)代表通过最小化JSAE确定稀疏自动编码机结构中的参数值。
步骤b中,收缩自动编码机的损失函数,包括:
其中Jf(x)是隐藏层输出权重的雅可比矩阵;hj(x)为第j个隐含神经元的编码函数、xi为第i个输入,
通过最小化收缩成本函数来实现CAE的训练:(W,b)CAE=minJCAE。
步骤c中,量子蚁群算法的优化计算过程包括以下步骤:
(1)量子编码和量子旋转门:假设蚂蚁种群的数量是n,针对蚂蚁种群进量子编码,每个蚂蚁所对应的量子态可用实数对(cosθ,sinθ)表示,并且θ是量子态的相位,假设单个Xi的量子位数是n,Xi可以表示如下:
结合量子编码后,利用量子旋转门实现量子信息素在蚂蚁行进路径上的更新,公式如下:
其中,是第k个蚂蚁的转移概率,是在第t次迭代中从节点i到节点j的路径上的信息素浓度,α是信息素启发因子,是第t次迭代中从节点i到节点j的路径上的距离启发信息,其表达式是dij是节点i到节点j之间的距离,β是距离启发因子,是第t次迭代中从节点i到节点j的路径上的消耗启发信息,其表达式为Eij是从节点i到节点j的能量消耗,γ是能源消耗启发因子;
(3)在以上基础上,所制定的信息素更新规则如下:每个蚂蚁移动后进行信息素的局部更新,并且当所有蚂蚁完成一次迭代时,进行所有蚂蚁的最佳路径的全局更新,信息素的局部更新规则:τ(pj)=(1-ρ1)·τ(pi)+ρ1·Δτij,其中,pi为当前节点,pj为移动后的节点,τ(pj)是移动后节点的信息素浓度,τ(pi)是当前节点的信息素浓度,ρ1(0<ρ1<1)是信息素的局部更新挥发系数,Δτij是该迭代中移动路径中每只蚂蚁的信息素浓度,并且其表示为:
本发明的有益效果:本发明提供的一种用于行星齿轮故障诊断的新型深度特征学习方法,针对行星齿轮振动信号的复杂性和现有传统故障诊断方法的缺点和局限性,讲深度学习理论应用于行星齿轮故障诊断。对自动编码机模型分别从增强模型数据学习能力和特征提取鲁棒性两个方面进行改进,利用量子蚁群优化算法对深度学习架构中稀疏自动编码机和收缩自动编码机的具体位置和关键参数进行优化,使得数据学习能力和特征提取鲁棒性同时发挥到最优。另外针对不同的训练样本和信号,利用优化算法可根据样本特性自主调整深度学习架构中稀疏自动编码机和收缩自动编码机的位置,更具有适应性。同时所提出方法以原始数据作为输入,无需预处理,主动学习深度特征信息,并基于深度特征实现行星齿轮故障诊断,具有较好的特征提取效果和故障诊断性能。
附图说明
图1是本发明一种用于行星齿轮故障诊断的基于融合型堆栈自动编码机的新型深度特征学习方法的流程图;
图2是本发明中六种行星齿轮状态的振动信号时域波形图;
图3是本发明中量子蚁群算法优化稀疏自动编码机和收缩自动编码机的优化过程示意图;
图4(a)是本发明所提出的深度学习架构的诊断识别率示意图;图4(b)是基于标准稀疏自动编码机构建的深度学习架构的诊断识别率示意图;图4(c)是基于标准收缩自动编码机构建的深度学习架构的诊断识别率示意图;图4(d)是基于BP神经网络的诊断识别率示意图;
图5(a)~(d)分别是所提出的方法在隐藏层1到4的前两个投影特征;
图6(e)~(h)分别是所提出的方法在隐藏层5到8的前两个投影特征。
具体实施方式
下面结合附图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,本发明提供一种用于行星齿轮故障诊断的新型深度特征学习方法,基于融合型堆栈自动编码机,具体包括以下步骤:
步骤一,根据机电装备中行星齿轮箱的具体工作环境,基于利用较少传感器获取最全面数据信息的原则,在行星齿轮箱利用螺钉紧固型式布置安装IEPE振动传感器,需要基于利用较少传感器获取最全面数据信息的原则,具体原则即先制定不同传感器数量的多种布置方案,然后进行多种方案测试实验,获取每种方案下的每个传感器振动信号,针对每个方案下多个振动信号的相关性进行计算,并基于多个振动信号的加权相关性总和确定具体布置方案。利用振动传感器检测机电装备行星齿轮箱运行过程中所产生的原始振动信号,所述获取的原始振动信号包括正常行星齿轮、缺齿行星齿轮、点蚀行星齿轮、磨损行星齿轮、断齿行星齿轮、裂纹行星齿轮,并利用高精度24位同步采集数采卡实现振动信号采集获取。
步骤二,基于自动编码机的基本结构,在其损失函数基础上引入稀疏性惩罚项,目的在于限制隐藏神经元的平均激活程度,增强自动编码机的数据学习能力,获得改进的稀疏自动编码机;另外,基于自动编码机的基本结构,在其损失函数的基础上引入收缩性限制项,目的在于限制隐含层输出权重的雅克比矩阵抑制训练样本在所有方向的特征自由度,提高自动编码机特征提取过程的鲁棒性,获得改进的收缩自动编码机;
所提出稀疏自动编码机的稀疏损失函数为:
其中,β是稀疏性惩罚项目的权重;通过最小化稀疏损失函数来实现稀疏自动编码机的训练:(W,b)SAE=minJSAE。(W,b)代表通过最小化JSAE确定稀疏自动编码机结构中的参数值。
改进的收缩自动编码机模型包括:
其中Jf(x)是隐藏层输出权重的雅可比矩阵;hj(x)为第j个隐含神经元的编码函数、xi为第i个输入。通过最小化收缩成本函数来实现CAE的训练:(W,b)CAE=minJCAE。
步骤三,构建基于融合型堆栈自动编码机的新型深度学习架构,由多个稀疏自动编码机和收缩自动编码机构成,每个收缩自动编码机和收缩自动编码机的具体位置和具体参数在深度特征提取效果中起着重要作用。提出一种结合量子计算和蚁群算法的量子蚁群优化算法对深度学习架构中每个稀疏自动编码机和收缩自动编码机的具体位置和关键参数进行优化,确定深度学习架构中稀疏自动编码机和收缩自动编码机的合理位置和合理参数,构成一种基于融合型堆栈自动编码机的新型深度学习架构;
量子蚁群算法的优化计算过程包括:
1、量子编码和量子旋转门:假设蚂蚁种群的数量是n,针对蚂蚁种群进量子编码,每个蚂蚁所对应的量子态可用实数对(cosθ,sinθ)表示,并且θ是量子态的相位。假设单个Xi的量子位数是n,Xi可以表示如下:
结合量子编码后,利用量子旋转门实现量子信息素在蚂蚁行进路径上的更新,公式如下:
2、量子编码和量子旋转门的基础上,所制定的蚂蚁转移规则和转移概率如下:从节点1到节点2的蚁群中第k个蚂蚁的蚂蚁转移规则:
其中,是第k个蚂蚁的转移概率。是在第t次迭代中从节点i到节点j的路径上的信息素浓度,α是信息素启发因子,是第t次迭代中从节点i到节点j的路径上的距离启发信息,其表达式是dij是节点i到节点j之间的距离,β是距离启发因子,是第t次迭代中从节点i到节点j的路径上的消耗启发信息,其表达式为Eij是从节点i到节点j的能量消耗。γ是能源消耗启发因子;
3、在以上基础上,所制定的信息素更新规则如下:每个蚂蚁移动后进行信息素的局部更新,并且当所有蚂蚁完成一次迭代时,进行所有蚂蚁的最佳路径的全局更新,信息素的局部更新规则:τ(pj)=(1-ρ1)·τ(pi)+ρ1·Δτij,其中,pi为当前节点,pj为移动后的节点,τ(pj)是移动后节点的信息素浓度,τ(pi)是当前节点的信息素浓度。ρ1(0<ρ1<1)是信息素的局部更新挥发系数,Δτij是该迭代中移动路径中每只蚂蚁的信息素浓度,并且其表示为:
其中,ρ2是信息素的全局更新挥发系数,Q是常数。Je是在该迭代中获得的最优路径的综合成本,并且是当前的最优解;
步骤四,以所采集的行星齿轮箱原始振动信号为基础和新型深度学习架构的输入,数据不需要任何预处理过程。确定深度学习架构的初始深度和每层的初始宽度,选用贪婪逐层预训练结合随机梯度下降微调训练算法,以新型深度学习架构诊断识别率为优化目标,利用量子蚁群优化算法确定稀疏自动编码机和收缩自动编码机的具体位置,稀疏自动编码机发挥数据学习能力,收缩自动编码机发挥特征提取鲁棒性能力,通过逐层学习获取行星齿轮箱原始信号中的特征信息,实现行星齿轮故障精确诊断识别;所建立的融合型深度学习架构可以将数据学习能力和特征提取鲁棒性同时发挥到最优,同时针对不同的训练样本和信号,可主动调整深度学习架构中稀疏自动编码机和收缩自动编码机的位置,更具有适应性。
确定深度学习架构的深度和每层的宽度是基于以下原则:输入层宽度由输入样本的数据长度决定,隐含层的数量和每个隐含层的单元节点数。在训练时间允许和避免过度学习条件下应该较大,以提高深度学习架构的特征学习能力;同时后一层隐含层节点数应小于前一隐含层节点数,使得深度学习架构具有特征降维和数据压缩功能,输出层宽度由行星齿轮状态的类别数决定,针对行星齿轮数据样本,最终确定的新型深度学习架构为8层,具体结构设置为3200-2600-2000-1600-1200-900-600-300-100-6;采用贪婪逐层预训练结合随机梯度下降微调训练算法,以新型深度学习架构诊断识别率为优化目标,利用量子蚁群优化算法确定稀疏自动编码机和收缩自动编码机的具体位置,量子蚁群优化中的蚂蚁数量设置为20,迭代次数设置为90。稀疏自动编码机发挥数据学习能力,收缩自动编码机发挥特征提取鲁棒性能力,并将数据学习能力和特征提取鲁棒性同时发挥到最优,实现行星齿轮深度特征提取和故障精确诊断识别;同时针对不同的训练样本和信号,利用优化算法可根据样本特性自主调整深度学习架构中稀疏自动编码机和收缩自动编码机的位置,更具有适应性。
在故障模拟试验台上获取不同行星齿轮状态的振动信号。行星齿轮箱的基本参数如表1所示。安装在行星齿轮箱壳体上的加速度振动传感器用于获取行星齿轮的振动信号。另外,在实验过程中,模拟6种不同的太阳轮状态,分别是正常齿轮,齿轮缺齿,齿轮点蚀,齿轮磨损,齿轮断齿和齿轮裂纹。同时实验过程中的设定关键参数如表2所示;
表1行星齿轮箱的基本参数
表2实验过程中的设置关键参数
在设定条件下,得到六种行星齿轮状态的振动信号。对于每个行星齿轮状态,截取并准备320组训练样本和100组测试样本,因此共有1920组训练样本和600组测试样本为后续的实验分析做准备。六种行星齿轮状态的振动信号如图2所示,从图2可以看出,各振动信号在时域上没有显著差异;
对本发明提出的新型深度学习架构的有效性进行验证和分析,采用其他三种方法进行比较,它们是基于标准稀疏自动编码机的深度学习架构,基于标准收缩自动编码机的深度学习架构和基于BP神经网络的浅层学习架构。
在所提出的新型深度学习架构中,量子蚁群优化算法的蚂蚁数量设置为20,迭代次数设置为90,并以测试样本的诊断识别率作为优化目标。使用量子蚁群优化算法的优化过程如图3所示,可以看出,当迭代次数达到66次时,优化过程趋于明显稳定,训练样本的诊断识别率达到95.26%。它具有最大的诊断识别率,同时可以获得基于融合型堆栈自动编码机的训练完毕的深度学习架构。优化完成后,稀疏自动编码机和收缩自动编码机的具体位置如表3所示。利用所提出的新型深度学习架构,各行星齿轮状态的识别率如表4所示。
表3使用量子蚁群算法的优化结果
表4各行星齿轮状态的识别率
可以看出,各行星齿轮状态具有良好的诊断识别率,正常齿轮的识别率最高,达到100%。,磨损齿轮的识别率最低,但也达到90%。,总体平均识别率效果良好,达到95.5%。为了证明所提方法的有效性,采用其他三种方法进行比较。在比较测试期间,训练样本和测试样本完全相同。比较四种方法的诊断识别率,如图4所示。本发明所提出的新型深度学习架构的总体平均识别率为95.5%,高于基于标准稀疏自动编码机和标准收缩自动编码机的深度学习架构和基于BP神经网络的浅层学习架构,分别为91.83%,90.67%和46.67%。
进一步分析所提出的新型深度学习架构的逐层特征提取过程。由于每个隐藏层中提取的特征都是高维数据,无法完全显示,因此每个隐藏层中的前两个投影特征被选择进行可视化。图5和图6显示了所提出方法在每个隐藏层中提取的前两个投影特征。
结合表3对图5和图6进行分析,可以发现所建立的新型深度学习架构,较低的隐含层主要由稀疏自动编码机组成,关注于从原始信号中进行特征学习,由于输入是原始振动信号而没有进行任何处理,因此各行星齿轮状态的特征存在严重混淆。较高的隐含层主要由收缩自动编码机组成,其基于从前一层学到的有用信息,关注于特征提取过程的可区分性和鲁棒性。所建立的深度学习架构充分利用多个隐含层强大的非线性变换能力,逐层特征学习过程可从原始振动信号中提取有效特征;随着隐含层数量的增加,各隐含层中所提取的各行星齿轮状态特征的可区分性得到了很大提高。因此,需要通过组合多个特征来实现行星齿轮状态的最终识别。进一步基于多层深度学习架构所提取的深度特征可以实现行星齿轮故障状态的准确区分识别。
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,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (6)
1.一种用于行星齿轮故障诊断的新型深度特征学习方法,其特征在于:包括以下步骤:
步骤a、布置安装振动传感器,利用振动传感器检测机电装备行星齿轮箱运行过程中所产生的原始振动信号,并利用数据采集卡实现振动信号采集获取;
步骤b、基于自动编码机的基本结构,在自动编码机损失函数基础上引入稀疏性惩罚项,获得改进的稀疏自动编码机,在收缩自动编码机损失函数基础上引入收缩性限制项,获得改进的收缩自动编码机;
步骤c、构建基于融合型堆栈自动编码机的新型深度学习架构,利用量子蚁群优化算法对深度学习架构中每个稀疏自动编码机和收缩自动编码机的具体位置和关键参数进行优化,确定深度学习架构中稀疏自动编码机和收缩自动编码机的合理位置和合理参数;
步骤d、以所采集的行星齿轮箱原始振动信号为新型深度学习架构的输入,确定深度学习架构的初始深度和每层的初始宽度,选用贪婪逐层预训练结合随机梯度下降微调训练算法,以新型深度学习架构诊断识别率为优化目标,利用量子蚁群优化算法确定稀疏自动编码机和收缩自动编码机的具体位置。
2.根据权利要求1所述的一种用于行星齿轮故障诊断的新型深度特征学习方法,其特征在于:步骤a中,振动传感器选用IEPE振动传感器,布置安装方式采用螺钉紧固型式,数据采集卡采用24位高精度同步采集数据采集卡。
3.根据权利要求1所述的一种用于行星齿轮故障诊断的新型深度特征学习方法,其特征在于:步骤a中,原始振动信号包括正常行星齿轮、缺齿行星齿轮、点蚀行星齿轮、磨损行星齿轮、断齿行星齿轮和裂纹行星齿轮。
4.根据权利要求1所述的一种用于行星齿轮故障诊断的新型深度特征学习方法,其特征在于:步骤b中,稀疏自动编码机的损失函数,包括:针对训练样本中m神经元的第s个隐藏层的平均激活度:
稀疏自动编码机的稀疏损失函数为:
其中,β是稀疏性惩罚项目的权重,L(x,y)是重建误差;
通过最小化稀疏损失函数来实现稀疏自动编码机的训练:(W,b)SAE=minJSAE,(W,b)代表通过最小化JSAE确定稀疏自动编码机结构中的参数值。
6.根据权利要求1所述的一种用于行星齿轮故障诊断的新型深度特征学习方法,其特征在于:步骤c中,量子蚁群算法的优化计算过程包括以下步骤:
(1)量子编码和量子旋转门:假设蚂蚁种群的数量是n,针对蚂蚁种群进量子编码,每个蚂蚁所对应的量子态可用实数对(cosθ,sinθ)表示,并且θ是量子态的相位,假设单个Xi的量子位数是n,Xi可以表示如下:
结合量子编码后,利用量子旋转门实现量子信息素在蚂蚁行进路径上的更新,公式如下:
(2)量子编码和量子旋转门的基础上,所制定的蚂蚁转移规则和转移概率如下:从节点1到节点2的蚁群中第k个蚂蚁的蚂蚁转移规则:
其中,是第k个蚂蚁的转移概率,是在第t次迭代中从节点i到节点j的路径上的信息素浓度,α是信息素启发因子,是第t次迭代中从节点i到节点j的路径上的距离启发信息,其表达式是dij是节点i到节点j之间的距离,β是距离启发因子,是第t次迭代中从节点i到节点j的路径上的消耗启发信息,其表达式为Eij是从节点i到节点j的能量消耗,γ是能源消耗启发因子;
(3)在以上基础上,所制定的信息素更新规则如下:每个蚂蚁移动后进行信息素的局部更新,并且当所有蚂蚁完成一次迭代时,进行所有蚂蚁的最佳路径的全局更新,信息素的局部更新规则:τ(pj)=(1-ρ1)·τ(pi)+ρ1·Δτij,其中,pi为当前节点,pj为移动后的节点,τ(pj)是移动后节点的信息素浓度,τ(pi)是当前节点的信息素浓度,ρ1(0<ρ1<1)是信息素的局部更新挥发系数,Δτij是该迭代中移动路径中每只蚂蚁的信息素浓度,并且其表示为:
其中,ρ2是信息素的全局更新挥发系数,Q是常数,Je是在该迭代中获得的最优路径的综合成本,并且是当前的最优解。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010571791.9A CN111738398B (zh) | 2020-06-22 | 2020-06-22 | 一种用于行星齿轮故障诊断的新型深度特征学习方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010571791.9A CN111738398B (zh) | 2020-06-22 | 2020-06-22 | 一种用于行星齿轮故障诊断的新型深度特征学习方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111738398A true CN111738398A (zh) | 2020-10-02 |
CN111738398B CN111738398B (zh) | 2021-07-13 |
Family
ID=72652066
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010571791.9A Active CN111738398B (zh) | 2020-06-22 | 2020-06-22 | 一种用于行星齿轮故障诊断的新型深度特征学习方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111738398B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104914851A (zh) * | 2015-05-21 | 2015-09-16 | 北京航空航天大学 | 一种基于深度学习的飞机旋转作动器驱动装置自适应故障检测方法 |
EP2999124A1 (en) * | 2014-09-19 | 2016-03-23 | Thomson Licensing | Fast product-matrix regenerating codes |
CN108463874A (zh) * | 2016-01-11 | 2018-08-28 | 科磊股份有限公司 | 基于图像的样品过程控制 |
CN108523907A (zh) * | 2018-01-22 | 2018-09-14 | 上海交通大学 | 基于深度收缩稀疏自编码网络的疲劳状态识别方法及系统 |
CN110222386A (zh) * | 2019-05-23 | 2019-09-10 | 河海大学常州校区 | 一种行星齿轮退化状态识别方法 |
-
2020
- 2020-06-22 CN CN202010571791.9A patent/CN111738398B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2999124A1 (en) * | 2014-09-19 | 2016-03-23 | Thomson Licensing | Fast product-matrix regenerating codes |
CN104914851A (zh) * | 2015-05-21 | 2015-09-16 | 北京航空航天大学 | 一种基于深度学习的飞机旋转作动器驱动装置自适应故障检测方法 |
CN108463874A (zh) * | 2016-01-11 | 2018-08-28 | 科磊股份有限公司 | 基于图像的样品过程控制 |
CN108523907A (zh) * | 2018-01-22 | 2018-09-14 | 上海交通大学 | 基于深度收缩稀疏自编码网络的疲劳状态识别方法及系统 |
CN110222386A (zh) * | 2019-05-23 | 2019-09-10 | 河海大学常州校区 | 一种行星齿轮退化状态识别方法 |
Non-Patent Citations (1)
Title |
---|
YONG LI等: "Study on planetary gear fault diagnosis based on variational mode decomposition and deep neural networks", 《MEASUREMENT 130(2018)》 * |
Also Published As
Publication number | Publication date |
---|---|
CN111738398B (zh) | 2021-07-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112131760B (zh) | 基于cbam模型的航空发动机剩余寿命预测方法 | |
CN108344564B (zh) | 一种基于深度学习的主轴特性试验台状态识别及预测方法 | |
CN112161784B (zh) | 基于多传感器信息融合迁移网络的机械故障诊断方法 | |
Tao et al. | Bearing fault diagnosis method based on stacked autoencoder and softmax regression | |
CN110779746A (zh) | 改进深度稀疏自编码器网络旋转机械复合故障的诊断方法 | |
CN110633792B (zh) | 端到端基于卷积循环神经网络的轴承健康指标构建方法 | |
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 | |
CN108197648A (zh) | 一种基于lstm深度学习模型的水电机组故障诊断方法与系统 | |
CN110657984B (zh) | 一种基于强化胶囊网络的行星齿轮箱故障诊断方法 | |
CN113822139B (zh) | 一种基于改进1DCNN-BiLSTM的设备故障诊断方法 | |
CN110110809B (zh) | 基于机器故障诊断的模糊自动机的构建方法 | |
Di et al. | Ensemble deep transfer learning driven by multisensor signals for the fault diagnosis of bevel-gear cross-operation conditions | |
CN114429153A (zh) | 基于终身学习的齿轮箱增量故障诊断方法及系统 | |
CN115545321A (zh) | 一种制丝车间工艺质量在线预测方法 | |
Lermer et al. | Creation of digital twins by combining fuzzy rules with artificial neural networks | |
CN114417693A (zh) | 一种基于深度学习的海洋三维温度场反演方法 | |
CN113688869A (zh) | 一种基于生成对抗网络的光伏数据缺失重构方法 | |
CN114399073A (zh) | 一种基于深度学习的海洋表面温度场预测方法 | |
CN114202060A (zh) | 基于深度神经网络的生物质活性炭吸附亚甲基蓝性能预测方法 | |
CN111738398B (zh) | 一种用于行星齿轮故障诊断的新型深度特征学习方法 | |
CN107016440B (zh) | 机械传动故障的多分辨率深度神经网络智能诊断方法 | |
Sun et al. | Effective convolutional transformer for highly accurate planetary gearbox fault diagnosis | |
Zhang et al. | Researches and application of a hybrid fault diagnosis expert system | |
CN115796359A (zh) | 基于深度Koopman算符的PM2.5时空预测方法 | |
CN115640531A (zh) | 一种基于残差学习与注意力机制融合的故障诊断方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |