CN114357663B - 一种训练齿轮箱故障诊断模型方法、齿轮箱故障诊断方法 - Google Patents

一种训练齿轮箱故障诊断模型方法、齿轮箱故障诊断方法 Download PDF

Info

Publication number
CN114357663B
CN114357663B CN202210249569.6A CN202210249569A CN114357663B CN 114357663 B CN114357663 B CN 114357663B CN 202210249569 A CN202210249569 A CN 202210249569A CN 114357663 B CN114357663 B CN 114357663B
Authority
CN
China
Prior art keywords
data set
training
fault diagnosis
random forest
current signal
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.)
Active
Application number
CN202210249569.6A
Other languages
English (en)
Other versions
CN114357663A (zh
Inventor
王罗
邹祖冰
王祖凡
苏营
李俊卿
邓友汉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Three Gorges Corp
Original Assignee
China Three Gorges Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Three Gorges Corp filed Critical China Three Gorges Corp
Priority to CN202210249569.6A priority Critical patent/CN114357663B/zh
Publication of CN114357663A publication Critical patent/CN114357663A/zh
Application granted granted Critical
Publication of CN114357663B publication Critical patent/CN114357663B/zh
Priority to GB2302649.5A priority patent/GB2616970A/en
Priority to PCT/CN2022/112476 priority patent/WO2023035869A1/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
    • F16H—GEARING
    • F16H61/00—Control functions within control units of change-speed- or reversing-gearings for conveying rotary motion ; Control of exclusively fluid gearing, friction gearing, gearings with endless flexible members or other particular types of gearing
    • F16H61/12—Detecting malfunction or potential malfunction, e.g. fail safe; Circumventing or fixing failures
    • 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
    • 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
    • G01M13/021—Gearings
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B17/00—Systems involving the use of models or simulators of said systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • 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
    • G06N3/092—Reinforcement learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
    • F16H—GEARING
    • F16H61/00—Control functions within control units of change-speed- or reversing-gearings for conveying rotary motion ; Control of exclusively fluid gearing, friction gearing, gearings with endless flexible members or other particular types of gearing
    • F16H61/12—Detecting malfunction or potential malfunction, e.g. fail safe; Circumventing or fixing failures
    • F16H2061/1208—Detecting malfunction or potential malfunction, e.g. fail safe; Circumventing or fixing failures with diagnostic check cycles; Monitoring of failures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/12—Timing analysis or timing optimisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/70—Wind energy
    • Y02E10/72—Wind turbines with rotation axis in wind direction

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Geometry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Mechanical Engineering (AREA)
  • Automation & Control Theory (AREA)
  • Fuzzy Systems (AREA)
  • Algebra (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Control Of Transmission Device (AREA)

Abstract

本发明公开了一种训练齿轮箱故障诊断模型方法、齿轮箱故障诊断方法，该训练方法包括：获取齿轮箱所在机电系统中的电机电流信号；根据电流信号计算表征其复杂与突变程度的特征值；根据随机森林算法对特征值筛选，生成样本数据集；根据该数据集对深度强化学习网络模型训练，生成故障诊断模型。本发明提供的训练齿轮箱故障诊断模型方法，仅获取电流信号，无需额外传感器，克服了现有技术中增加硬件的缺陷。通过计算表征电流信号复杂程度和突变程度的特征值并筛选，提取与故障有关的特征数据。将机组运行时获取的电流信号输入生成的深度强化学习网络模型实现齿轮箱故障诊断的方法，能够提高诊断的精度，克服了现有技术中可靠性低、准确性低的缺陷。

Description

一种训练齿轮箱故障诊断模型方法、齿轮箱故障诊断方法
技术领域
本发明涉及风力发电设备技术领域，具体涉及一种训练齿轮箱故障诊断模型方法、齿轮箱故障诊断方法。
背景技术
风力发电过程中，由于风电机组工作环境恶劣，导致机械传动部件容易损坏，其中作为枢纽的齿轮箱一旦损坏，将造成机组停机等严重后果，所以及时对齿轮箱故障进行诊断有助于降低运维成本。在目前的风力发电机组中，双馈型风力发电机组仍是主流，风轮的低转速需要通过行星齿轮箱将其提升至适合驱动发电机的较高转速。作为连接发电机和主轴的枢纽，同时承担传递力矩和提升转速的作用，齿轮箱是风电机组中不可或缺的关键组成部分。齿轮箱在长时间持续运行过程中会导致齿轮、轴承等部件发生局部故障，若不能及时发现，将导致故障的加重，可能会使齿轮箱失效，最终停机。风电机组的齿轮箱通过主轴与发电机相连接，当传动系统部件出现故障时会产生异常振动，进而引起电机气隙扭矩的波动，再通过定子磁通，最终会引起包括定子电流在内的一系列电参数的变化。从振动信号传感器获取振动信号更容易受到机械谐振以及外部噪声的干扰，而且振动信号的测量结果受传感器安放位置的影响较大。当齿轮箱的部件出现局部故障的时候，会产生周期性的脉冲，并通过磁场传递给电流信号，所以在电流信号中会产生明显的周期性冲击，且信号不平稳，故可通过衡量其复杂程度以及有效时域、频域特征指标的突变程度进行故障诊断。
现有的技术大多利用风电机组齿轮箱的振动信号进行故障诊断，但通过振动信号传感器获取到的振动信号更容易受到机械谐振以及外部噪声的干扰，而且振动信号的测量结果受传感器安放位置的影响较大，许多传统的方法难以满足高可靠性及高准确性的要求，存在可靠性低、准确性低且需要增加硬件结构的缺陷。
发明内容
因此，本发明要解决的技术问题在于克服现有技术中可靠性低、准确性低且需要增加硬件结构的缺陷，从而提供一种训练齿轮箱故障诊断模型方法、齿轮箱故障诊断方法。
根据第一方面，本发明公开了一种训练齿轮箱故障诊断模型方法，包括：获取齿轮箱所在机电系统中的电机电流信号；根据所述电流信号计算表征电流信号复杂程度和突变程度的特征值；根据随机森林算法对所述特征值进行筛选，生成样本数据集；根据所述样本数据集对深度强化学习网络模型进行训练，生成齿轮箱故障诊断模型。
可选地，所述根据所述电流信号计算表征电流信号复杂程度和突变程度的特征值，包括：根据所述电流信号计算表征电流信号复杂程度的模糊熵特征值；获取的电流信号为电流时域信号，基于傅里叶算法，将所述电流信号转化为电流频域信号；根据所述电流时域信号和电流频域信号分别计算表征突变程度的时域特征值和频域特征值。
可选地，所述根据随机森林算法对所述特征值进行筛选，生成样本数据集，包括：将包括所述时域特征值和频域特征值的样本数据进行抽样，根据抽样结果生成随机森林训练数据集和随机森林袋外数据集；根据所述随机森林训练数据集和所述随机森林袋外数据集，利用所述随机森林算法，计算任一特征值与故障的关联度；根据所述关联度对所述特征值进行筛选，生成有效特征数据集；根据所述有效特征数据集和所述模糊熵，生成样本数据集。
可选地，所述根据所述随机森林训练数据集和所述随机森林袋外数据集，利用所述随机森林算法，计算任一特征值与故障的关联度，包括：根据所述随机森林训练数据集，按照预设的随机森林算法参数构建决策树；将所述随机森林袋外数据集输入所述决策树，生成第一数据误差；按照预设的干扰范围，对所述随机森林袋外数据集进行加噪后，再次输入所述决策树，生成第二数据误差；根据所述第一数据误差和所述第二数据误差，计算任一特征值与故障的关联度。
可选地，所述根据所述样本数据集对深度强化学习网络模型进行训练，生成齿轮箱故障诊断模型，包括：根据训练数据集中抽取的样本对所述深度强化学习网络模型进行训练，得到训练结果，所述训练数据集为对所述样本数据集中的样本进行抽样得到；根据所述训练结果准确性计算奖励值；根据所述奖励值，确定奖励值期望；根据训练数据集中抽取的样本对所述深度强化学习网络模型进行迭代训练，直至所述奖励值期望波动小于预设的波动阈值，得到齿轮箱故障诊断模型。
可选地，所述根据所述样本数据集对深度强化学习网络模型进行训练，生成齿轮箱故障诊断模型，还包括：将测试数据集输入所述齿轮箱故障诊断模型，得到测试结果，所述测试数据集由所述样本数据集中训练数据集以外的数据构成；根据所述测试结果的准确率确定所述齿轮箱故障诊断模型是否为可用齿轮箱故障诊断模型；当所述齿轮箱故障诊断模型为不可用齿轮箱故障诊断模型时，重新在所述样本数据集中抽取训练数据集对深度强化学习网络模型进行训练，直至得到可用齿轮箱故障诊断模型。
根据第二方面，本发明公开了一种齿轮箱故障诊断方法，包括：获取电流信号的时间序列；将所述电流信号的时间序列输入到第一方面及第一方面任一可选实施方式所述的训练齿轮箱故障诊断模型方法生成的齿轮箱故障诊断模型中，得到齿轮箱故障诊断结果。
根据第三方面，本发明公开了一种训练齿轮箱故障诊断模型装置，包括：信号采集模块，用于获取齿轮箱所在机电系统中的电机电流信号；特征计算模块，用于根据所述电流信号计算表征电流信号复杂程度和突变程度的特征值；数据筛选模块，用于根据随机森林算法对所述特征值进行筛选，生成样本数据集；模型生成模块，用于根据所述样本数据集对深度强化学习网络模型进行训练，生成齿轮箱故障诊断模型。
根据第四方面，本发明公开了一种齿轮箱故障诊断装置，包括：数据获取模块，用于获取电流信号的时间序列；故障诊断模块，用于将所述电流信号的时间序列输入到如第一方面及第一方面任一可选实施方式所述的训练齿轮箱故障诊断模型方法生成的齿轮箱故障诊断模型中，得到齿轮箱故障诊断结果。
根据第五方面，本发明公开了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行如第一方面及第一方面任一可选实施方式所述的训练齿轮箱故障诊断模型方法和/或第二方面所述的齿轮箱故障诊断方法的步骤。
根据第六方面，本发明公开了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面及第一方面任一可选实施方式所述的训练齿轮箱故障诊断模型方法和/或第二方面所述的齿轮箱故障诊断方法的步骤。
本发明技术方案，具有如下优点：
1.本发明提供的训练齿轮箱故障诊断模型方法，仅需获取齿轮箱所在机电系统中的发电机电流信号，无需在系统中安装其他传感器，提高了信号获取的可靠性，节省了设备投资，减少了运维成本，克服了现有技术中需要增加硬件结构的缺陷。通过计算表征电流信号复杂程度和突变程度的特征值并进行筛选，能够降低电流信号的维度，从电流信号包含的大量信息中提取出与故障有关的特征数据。通过训练深度强化学习网络模型，经过迭代，更新网络参数，得到能正确分类故障的齿轮箱故障诊断模型，提高了诊断的精度，克服了现有技术中可靠性低、准确性低的缺陷。
2.本发明提供的训练齿轮箱故障诊断模型方法，通过将时域信号转化为频域信号并求取统计学指标，可以直接从频率上看出频带的变化，能够更好地提取故障特征。通过随机森林算法对特征值进行筛选，能够通过设置不同的决策树数量，满足不同情况下的精度要求。通过迭代训练深度强化学习网络模型，能够使模型具有更高的准确率。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例训练齿轮箱故障诊断模型方法的一个示例的流程图；
图2为本发明实施例训练齿轮箱故障诊断模型方法另一个示例的流程图；
图3为本发明实施例训练齿轮箱故障诊断模型方法另一个示例的流程图；
图4为本发明实施例训练齿轮箱故障诊断模型方法另一个示例的流程图；
图5为本发明实施例训练齿轮箱故障诊断模型方法另一个示例的结果图；
图6为本发明实施例训练齿轮箱故障诊断模型方法另一个示例的结果图；
图7为本发明实施例训练齿轮箱故障诊断模型方法另一个示例的结果图；
图8为本发明实施例齿轮箱故障诊断方法的一个示例的流程图；
图9为本发明实施例训练齿轮箱故障诊断模型装置的一个示例的原理框图；
图10为本发明实施例齿轮箱故障诊断装置的一个示例的原理框图；
图11为本发明实施例电子设备的一个示例图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。
本发明公开了一种训练齿轮箱故障诊断模型方法，如图1所示，包括如下步骤：
步骤S11，获取齿轮箱所在机电系统中的电机电流信号。
具体地，齿轮箱所在机电系统中的电机电流信号可以通过电流互感器以一定的采样频率采集电机的定子电流获得，此时获得的电流信号为具有维度的时间序列。
其中，维度代表电流信号中的数据点个数，维度数量与采样频度和采样时长有关。电流信号的维度数量可通过如下公式计算：
Figure 141465DEST_PATH_IMAGE002
式中，
Figure 82132DEST_PATH_IMAGE004
为维度数量，
Figure 203672DEST_PATH_IMAGE006
为电流互感器的采样频率，
Figure 42315DEST_PATH_IMAGE008
为电流互感器的采样时长。
示例性地，当电流互感器以64kHz的采样频率采集4s电流信号时，得到的电流信号维度数量为256000，即以64kHz的采样频率采集4s电流信号共可采集到256000个数据点。
步骤S12，根据所述电流信号计算表征电流信号复杂程度和突变程度的特征值。
其中，表征电流信号复杂程度的特征值可以为模糊熵。模糊熵可以衡量时间序列产生新模式的概率大小，产生新模式的概率越大则序列的复杂度越大，当齿轮箱故障时，故障信息会通过转矩波动传递到电流信号上，增加信号的复杂程度。因此，选择表征信号复杂程度的特征值可以更准确的诊断出齿轮箱故障。特别地，表征电流信号复杂程度的特征值也可根据实际情况选择其他参数，本发明对此不作限定。
其中，表征电流信号突变程度的特征值可以为均值、方差、标准差、均方根、偏度、峭度、波形因子、峰值因子、脉冲因子、裕度因子和峭度因子中的一个或多个，当齿轮箱发生故障时，上述指标可能会出现不同程度地变化，其中峭度最为敏感。根据各特征量的定义及计算公式，对于早期故障，机械部件的振动幅度较弱，没有过大的冲击，所以均方根不会有明显变化，但对于峰值因子、脉冲因子、裕度因子和峭度因子等无量纲特征量，较小的冲击量也会使其增大，敏感性较强，而均方根对早期故障不敏感，其稳定性较好，对于严重故障可以予以反应。特别地，表征电流信号突变程度的特征值也可根据实际情况选择其他参数，本发明对此不作限定。
步骤S13，根据随机森林算法对所述特征值进行筛选，生成样本数据集。
具体地，由于计算出的特征值中可能会存在与故障无关的数据，通过随机森林算法对特征值进行筛选，可以保留与齿轮箱故障关联程度高的数据，剔除与齿轮箱故障关联程度低的数据，能够减少特征个数，提高模型精确度，减少运行时间。
步骤S14，根据所述样本数据集对深度强化学习网络模型进行训练，生成齿轮箱故障诊断模型。
具体地，深度强化学习网络模型是将强化学习网络与深度神经网络结合建立的，模型中主要包括状态空间S，动作空间A，奖励值R以及智能体。特别地，可以将样本数据作为状态空间S，故障的类别作为动作空间A，齿轮箱中的主要旋转机械部件有齿轮和轴承，其中齿轮的状态主要有正常、点蚀、裂纹和断齿等，轴承的状态主要有正常、内圈点蚀、内圈塑性变形、外圈点蚀和外圈塑性变形等，同时齿轮和轴承可能会发生组合故障。将每一类故障以一个数字代表来构成动作空间A，假设共有K个故障类型，即A=[0，1，2，3，…，K]。智能体由深度卷积神经网络构成，其结构由输入层、四个一维卷积层，一个扁平化层、两个全连接层和输出层构成。对于奖励机制，如果智能体判断样本数据的故障类型正确，奖励+1，错误则-1。基于训练样本数据，让智能体与环境进行交互，以奖励为引导，使智能体获得最多奖励，得到最优的诊断策略。
其中，深度卷积神经网络对故障的分类问题可看作马尔可夫决策过程，对于一个状态
Figure 401752DEST_PATH_IMAGE010
，通过策略选择了动作
Figure 402069DEST_PATH_IMAGE012
，通过智能体的计算，进入了另一个状态
Figure 479747DEST_PATH_IMAGE014
，同时返回一个奖励值
Figure 355037DEST_PATH_IMAGE016
，智能体会据反馈调整决策过程的策略。对于其中动作
Figure 37822DEST_PATH_IMAGE012
，使用奖励值期望
Figure 740199DEST_PATH_IMAGE018
来评估其价值，
Figure 305172DEST_PATH_IMAGE018
代表智能体选择这个动作A后，到最终状态S时，所能获得的奖励R总和的期望。一般地，每经过一轮训练，均需要对奖励值期望Q进行更新。
示例性地，奖励值期望Q进行更新的过程可以通过如下公式表示：
Figure 688880DEST_PATH_IMAGE020
式中，
Figure 819647DEST_PATH_IMAGE022
代表智能体在状态S时根据策略选择动作(A)的状态动作值函数，函数服从贝尔曼方程；
Figure 945123DEST_PATH_IMAGE024
代表学习率，决定了更新的幅度大小；R代表智能体在当前状态S下采取某动作A时的奖励；a代表了下一状态最优价值对应的动作；
Figure 997392DEST_PATH_IMAGE026
即为下一状态
Figure 683326DEST_PATH_IMAGE014
的最优价值，
Figure 137441DEST_PATH_IMAGE028
作为更新的目标，其中
Figure 384883DEST_PATH_IMAGE030
为折扣因子。
本发明提供的训练齿轮箱故障诊断模型方法，仅需获取齿轮箱所在机电系统中的电机电流信号，无需在系统中安装其他传感器，提高了信号获取的可靠性，节省了设备投资，减少了运维成本，克服了现有技术中需要增加硬件结构的缺陷。通过计算表征电流信号复杂程度和突变程度的特征值并进行筛选，能够降低电流信号的特征维度，从电流信号包含的大量信息中提取出与故障有关的特征数据。通过训练深度强化学习网络模型，经过迭代，更新网络参数，得到能正确分类故障的齿轮箱故障诊断模型，提高了诊断的精度，克服了现有技术中可靠性低、准确性低的缺陷。
作为本发明的一种可选地实施方式，所述根据所述电流信号计算表征电流信号复杂程度和突变程度的特征值，如图2所示，包括如下步骤：
步骤S121，根据所述电流信号计算表征电流信号复杂程度的模糊熵特征值；
具体地，计算模糊熵特征值的过程可以首先按照预设的规则确定相空间维数和相似容限度，并对电流信号进行重构；随后按照预设的规则确定模糊隶属函数，并根据模糊隶属函数计算此时相空间中两个窗口向量之间的相似度；接着根据计算出的相似度，针对重构的电流信号的每一维度，计算数据平均值；再根据数据平均值，针对重构的电流信号计算平均相似度；最终根据计算出的平均相似度，计算模糊熵。
其中，针对N维电流信号
Figure 721186DEST_PATH_IMAGE032
，相空间维数
Figure 243435DEST_PATH_IMAGE034
表示划分时间序列的窗口大小，需要满足
Figure 286477DEST_PATH_IMAGE036
的约束条件，r为相似容限度，表示相似度的度量值，一般取0.2*std，std为时间序列的标准差。
示例性地，以相空间维数
Figure DEST_PATH_IMAGE037
进行重构的电流信号时间序列
Figure 866670DEST_PATH_IMAGE038
可以通过如下公式 表示：
Figure 627953DEST_PATH_IMAGE040
Figure 953892DEST_PATH_IMAGE042
式中，
Figure 320282DEST_PATH_IMAGE044
代表一个窗口下的m个数据的平均值，
Figure 939220DEST_PATH_IMAGE046
和
Figure 250116DEST_PATH_IMAGE048
各代表重构电流信号的一个维度。
其中，模糊隶属函数是用于表征模糊集合的数学工具，能够说明一个集合中的元素是否属于特定子集合。特别地，模糊隶属函数可以根据实际情况进行选取，本发明对此不作限定。
示例性地，模糊隶属函数
Figure 114166DEST_PATH_IMAGE050
可以通过如下公式表示：
Figure 866222DEST_PATH_IMAGE052
进一步地，根据模糊隶属函数
Figure 360788DEST_PATH_IMAGE050
公式计算此时相空间中两个窗口向量
Figure 96663DEST_PATH_IMAGE054
和
Figure 764405DEST_PATH_IMAGE056
之间的相似度
Figure 433284DEST_PATH_IMAGE058
的过程，可以通过如下公式表示：
Figure 662533DEST_PATH_IMAGE060
式中，
Figure 885704DEST_PATH_IMAGE062
，表示窗口向量
Figure 91557DEST_PATH_IMAGE054
和
Figure 818205DEST_PATH_IMAGE056
之间的绝对距离。
示例性地，针对重构的电流信号的每一维度，计算数据平均值
Figure 716891DEST_PATH_IMAGE064
的过程，可以通过如下公式表示：
Figure 958516DEST_PATH_IMAGE066
示例性地，根据数据平均值，针对重构的电流信号计算平均相似度
Figure 968060DEST_PATH_IMAGE068
的过程，可以通过如下公式表示：
Figure 80373DEST_PATH_IMAGE070
示例性地，根据计算出的平均相似度，计算模糊熵
Figure 618802DEST_PATH_IMAGE072
的过程，可以通过如下公式表示：
Figure 315100DEST_PATH_IMAGE074
步骤S122，获取的电流信号为电流时域信号，基于傅里叶算法，将所述电流信号转化为电流频域信号；
其中，电流时域信号能够表征电流信号与时间的关系，而电流频域信号能够表征电流信号与频率的关系。
具体地，由于获取到的电流信号即为时间序列，则电流信号中任一数据均为电流时域信号。
进一步地，傅里叶算法可以通过正交性，提取出电流时域信号中每个频率点的数据，经过整理即可将电流时域信号转为电流频域信号。特别地，将电流时域信号转变为电流频域信号的过程可使用现有技术中的傅里叶变换算法、傅里叶级数算法等多种方法实现，本发明对此不作限定。
步骤S123，根据所述电流时域信号和电流频域信号分别计算表征突变程度的时域特征值和频域特征值。
具体地，特征值包括：均值、方差、标准差、均方根、偏度、峭度、波形因子、峰值因子、脉冲因子、裕度因子和峭度因子中的一个或多个，将电流时域信号和电流频域信号分别代入上述特征值公式中，即可得到时域特征值和频域特征值。
其中，均值特征值
Figure DEST_PATH_IMAGE075
可以通过如下公式表示：
Figure DEST_PATH_IMAGE077
式中，
Figure DEST_PATH_IMAGE079
代表电流信号的每一个数据值，
Figure DEST_PATH_IMAGE081
代表电流信号的总数据点数。
其中，方差特征值代表了信号能量的动态分量，反应了信号的离散程度，是二阶中心距，方差特征值
Figure DEST_PATH_IMAGE083
可以通过如下公式表示：
Figure DEST_PATH_IMAGE085
式中，
Figure DEST_PATH_IMAGE087
代表电流信号的每一个数据值，
Figure DEST_PATH_IMAGE089
代表均值特征值，
Figure DEST_PATH_IMAGE091
代表电流信号的总数据点数。
其中，标准差特征值描述信号偏离平均值的大小，标准差特征值
Figure DEST_PATH_IMAGE093
可以通过如下公式表示：
Figure DEST_PATH_IMAGE095
式中，
Figure DEST_PATH_IMAGE097
代表电流信号的每一个数据值，
Figure DEST_PATH_IMAGE099
代表均值特征值，
Figure DEST_PATH_IMAGE101
代表电流信号的总数据点数。
其中，均方根特征值为信号的一阶矩，用以表示信号的能量，可体现出信号的冲击性特点，均方根特征值
Figure DEST_PATH_IMAGE103
可以通过如下公式表示：
Figure DEST_PATH_IMAGE105
式中，
Figure 521478DEST_PATH_IMAGE097
代表电流信号的每一个数据值，
Figure 488297DEST_PATH_IMAGE101
代表电流信号的总数据点数。
其中，偏度特征值能够描述信号偏离对称性的程度，偏度特征值
Figure DEST_PATH_IMAGE107
可以通过如下公式表示：
Figure DEST_PATH_IMAGE109
式中，
Figure 932048DEST_PATH_IMAGE097
代表电流信号的每一个数据值，
Figure 115642DEST_PATH_IMAGE099
代表均值特征值，
Figure 263727DEST_PATH_IMAGE101
代表电流信号的总数据点数。
其中，峭度特征值能够反映随机变量的分布特性，峭度特征值
Figure DEST_PATH_IMAGE111
可以通过如下公式表示：
Figure DEST_PATH_IMAGE113
式中，
Figure 757156DEST_PATH_IMAGE097
代表电流信号的每一个数据值，
Figure 965284DEST_PATH_IMAGE101
代表电流信号的总数据点数。
其中，波形因子特征值为均方根特征值与绝对值平均值的比值，波形因子特征值
Figure DEST_PATH_IMAGE115
可以通过如下公式表示：
Figure DEST_PATH_IMAGE117
式中，
Figure 544164DEST_PATH_IMAGE097
代表电流信号的每一个数据值，
Figure 230360DEST_PATH_IMAGE101
代表电流信号的总数据点数。
其中，峰值因子特征值为信号峰值与均方根特征值的比值，峰值因子特征值
Figure DEST_PATH_IMAGE119
可以通过如下公式表示：
Figure DEST_PATH_IMAGE121
式中，
Figure 142077DEST_PATH_IMAGE097
代表电流信号的每一个数据值，
Figure 458789DEST_PATH_IMAGE101
代表电流信号的总数据点数，
Figure DEST_PATH_IMAGE123
代表所有数据点绝对值中的最大值，
Figure DEST_PATH_IMAGE125
为均方根特征值。
其中，脉冲因子特征值为信号峰值与信号绝对值平均值的比值，脉冲因子特征值
Figure DEST_PATH_IMAGE127
可以通过如下公式表示：
Figure DEST_PATH_IMAGE129
式中，
Figure 993807DEST_PATH_IMAGE097
代表电流信号的每一个数据值，
Figure 686956DEST_PATH_IMAGE101
代表电流信号的总数据点数，
Figure 279612DEST_PATH_IMAGE123
代表所有数据点绝对值中的最大值。
其中，裕度因子特征值为信号峰值与方根幅值的比值，可以用于检测机械设备的磨损情况，裕度因子
Figure DEST_PATH_IMAGE131
可以通过如下公式表示：
Figure DEST_PATH_IMAGE133
式中，
Figure 181DEST_PATH_IMAGE097
代表电流信号的每一个数据值，
Figure 881549DEST_PATH_IMAGE101
代表电流信号的总数据点数，
Figure 847231DEST_PATH_IMAGE123
代表所有数据点绝对值中的最大值，
Figure DEST_PATH_IMAGE135
代表信号的方根幅值。
其中，峭度因子特征值表示故障形成的大幅值脉冲出现的概率，为了将脉冲响应与背景噪声的差距拉大从而提高信噪比，
Figure DEST_PATH_IMAGE137
可以通过如下公式表示：
Figure DEST_PATH_IMAGE139
式中，
Figure 435338DEST_PATH_IMAGE097
代表电流信号的每一个数据值，
Figure 156170DEST_PATH_IMAGE101
代表电流信号的总数据点数。
作为本发明的一种可选地实施方式，所述根据随机森林算法对所述特征值进行筛选，生成样本数据集，如图3所示，包括如下步骤：
步骤S131，将包括所述时域特征值和所述频域特征值的样本数据进行抽样，根据抽样结果生成随机森林训练数据集和随机森林袋外数据集。
具体地，对于随机森林算法来说，如果训练集大小为P，对于每一决策树而言，随机且有放回地从训练集中的抽取P个训练样本，作为该树的训练集。进一步地，按照随机且放回的方式进行抽取必然导致一部分数据被选中，另外一部分数据没有选中，根据抽样结果将被选中过的数据生成随机森林训练数据集，未被选中的数据则生成随机森林袋外数据集。
特别地，在每轮随机采样中，根据现有技术中的概率计算方法计算可知，训练集中大约有36.8%的样本没有被采样到。也就是说，对于包括时域特征值和频域特征值的样本数据来说，约有63.2%的样本数据组成了随机森林训练数据集，36.8%的样本数据组成了随机森林袋外数据集。
示例性地，当选择均值、方差、标准差、均方根、偏度、峭度、波形因子、峰值因子、脉冲因子、裕度因子和峭度因子作为特征值时，时域特征值有11个数据，频域特征值有11个数据，一个样本中包括22个数据，针对100个样本，在每轮随机采样中约有63个样本作为随机森林训练数据集，另外的约37个样本为随机森林袋外数据集。
步骤S132，根据所述随机森林训练数据集和所述随机森林袋外数据集，利用所述随机森林算法，计算任一特征值与故障的关联度。
具体地，计算任一特征值与故障的关联度的过程，可以首先根据所述随机森林训练数据集，按照预设的随机森林算法参数构建决策树；随后将所述随机森林袋外数据集输入所述决策树，生成第一数据误差；接着按照预设的干扰范围，对所述随机森林袋外数据集进行加噪后，再次输入所述决策树，生成第二数据误差；最后根据所述第一数据误差和所述第二数据误差，计算任一特征值与故障的关联度。
特别地，构建决策树的过程中，还需要按照预设的规则确定决策树数量，当决策树个数多时，会导致计算量过大，计算时间长；个数少时，会降低准确率，因此确定决策树数量时需考虑计算量以及随机森林分类的准确率，从而得到合适的决策树数量。决策树数量决定了抽样次数，假设决策树数量为
Figure DEST_PATH_IMAGE141
，则进行
Figure 728097DEST_PATH_IMAGE141
次抽样，生成
Figure 88732DEST_PATH_IMAGE141
组随机森林训练数据集和随机森林袋外数据集。进一步地，按照预设的随机森林算法参数构建决策树时，可以将随机森林训练数据集输入预设的随机森林算法函数中，从而构建决策树。特别地，构建决策树的过程也可采用现有技术中的其他方式实现，本发明对此不作限定。
其中，将所述随机森林袋外数据集输入所述决策树，生成第一数据误差的过程，可以将袋外数据作为输入，此时决策树会给出与袋外数据的数量对应的分类，由于因为袋外数据的类型是已知的，则用正确的分类与决策树的结果进行比较，统计决策树分类错误的数量，则袋外数据误差即为分类错误的数量与袋外数据总数量之比。
随后，对随机森林袋外数据集进行加噪的过程，可以在预设的干扰范围内，对每一个袋外数据的数值进行加噪。示例性地，当预设的干扰范围为±5，则将每一个袋外数据均加上符合干扰范围的噪声，即可实现对随机森林袋外数据集进行加噪。特别地，加噪的过程也可以使用现有技术中抽取随机值替换原特征的方法或将原有样本的特征值打乱分布等方法来实现，本发明对此不作限定。
最终，计算任一特征值与故障的关联度
Figure DEST_PATH_IMAGE143
的过程可以通过如下公式表示：
Figure DEST_PATH_IMAGE145
式中，
Figure DEST_PATH_IMAGE147
为决策树数量，
Figure DEST_PATH_IMAGE149
为第二数据误差，
Figure DEST_PATH_IMAGE151
为第一数据误差。
步骤S133，根据所述关联度对所述特征值进行筛选，生成有效特征数据集。
具体地，根据关联度对特征值进行筛选的过程，可以通过将任一特征值的关联度
Figure 265767DEST_PATH_IMAGE143
与预设的关联度阈值
Figure DEST_PATH_IMAGE153
进行比较，若
Figure DEST_PATH_IMAGE155
，则将该特征值剔除，若
Figure DEST_PATH_IMAGE157
，则将该特征值保留，将所有保留的特征值生成有效特征数据集。特别地，根据关联度对特征值进行筛选的过程还可以根据实际情况选择其他的筛选条件，本发明对此不做限定。
步骤S134，根据所述有效特征数据集和所述模糊熵，生成样本数据集。
具体地，生成样本数据集的过程可以提取出有效特征数据集中的所有数据，与模糊熵一起构成样本数据集。
作为本发明一种可选地实施方式，所述根据所述样本数据集对深度强化学习网络模型进行训练，生成齿轮箱故障诊断模型，如图4所示，包括如下步骤：
步骤S141，根据训练数据集中抽取的样本对所述深度强化学习网络模型进行训练，得到训练结果，所述训练数据集为对所述样本数据集中的样本进行抽样得到。
具体地，首先将样本数据集按照预设的比例进行划分，将一部分数据生成训练数据集，预设比例可以根据实际情况确定，本发明对此不作限定。特别地，将样本数据集进行划分的过程可以采用现有技术中随机抽样或交叉验证的方式实现，本发明对此不作限定。
进一步地，对深度强化学习网络模型进行训练时，首先确定训练次数，按照训练次数从训练数据集中抽取对应数量的样本，并将抽取出的样本输入深度强化学习网络模型，构成模型的状态空间S。其中，训练次数越多，最终训练出的深度强化学习网络模型准确度越高。特别地，训练次数可以根据实际情况确定，本发明对此不作限定。
具体地，深度强化学习网络模型在接收到输入的样本数据后，会按照预设的选择策略从预先构建的动作空间A中选择与当前样本对应的故障。其中，预设的选择策略可以选择贪婪算法，用以保证动作空间A中的大部分故障均可以被探索到。特别地，选择策略也可以使用现有技术中的其他方式实现，本发明对此不作限定。
进一步地，深度强化学习网络模型为从训练数据集中抽取的每一个样本输出一个故障作为训练结果，训练结果的数量与训练次数相同。
步骤S142，根据所述训练结果准确性计算奖励值。
具体地，奖励值包括正确奖励值和错误奖励值，根据训练结果的准确性为每一训练结果分配奖励值，随后将所有训练结果的奖励值累加，即可获得当次训练的奖励值。特别地，正确奖励值和错误奖励值的数值可以根据实际情况进行选择，本发明对此不作限定。
示例性地，当正确奖励值为+1，错误奖励值为-1，训练次数为64次，共得到55个正确结果与9个错误结果时，奖励值R可以通过如下公式表示：
Figure DEST_PATH_IMAGE159
步骤S143，根据所述奖励值，确定奖励值期望。
具体地，根据训练结果的奖励值R，按照奖励值期望更新公式对奖励值期望进行更新。其中，由于状态空间S中各样本之间没有相互关系，则折扣因子
Figure DEST_PATH_IMAGE161
的值取0，则奖励值期望更新的过程可以通过如下公式表示：
Figure DEST_PATH_IMAGE163
其中，学习率
Figure DEST_PATH_IMAGE165
决定了更新幅度的大小，可以通过实际情况进行设置，本发明对此不作限定。优选地，学习率
Figure 203505DEST_PATH_IMAGE165
可以取值为0.5。
步骤S144，根据训练数据集中抽取的样本对所述深度强化学习网络模型进行迭代训练，直至所述奖励值期望波动小于预设的波动阈值，得到齿轮箱故障诊断模型。
其中，根据训练数据集中抽取的样本对所述深度强化学习网络模型进行迭代训练的过程，首先通过训练结果的奖励值R和奖励值期望Q，计算当前训练轮次的损失函数，随后按照计算得出的损失函数更新深度强化学习网络模型的参数，实现迭代训练。示例性地，损失函数可以采用均方根误差（RMSE），通过如下公式表示：
Figure DEST_PATH_IMAGE167
式中，
Figure DEST_PATH_IMAGE169
为抽取样本的数量。
进一步地，迭代训练的过程包括多次重复步骤S141-S143，即从训练数据集中多次抽取样本数据，并分别将每一组样本数据输入深度强化学习网络模型，得到多个奖励值期望值，分析最后一轮次计算出的奖励值期望与上一轮次计算出的奖励值期望之间的波动，当该波动小于预设的波动阈值时，将此时的深度强化学习网络模型输出为齿轮箱故障诊断模型。
特别地，可以当迭代次数超过预设的迭代次数阈值时，停止迭代训练过程，得到齿轮箱故障诊断模型，或设置其他迭代退出条件，本发明对此不作限定。
作为本发明的一种可选地实施方式，所述根据所述样本数据集对深度强化学习网络模型进行训练，生成齿轮箱故障诊断模型，如图4所示，还包括：
步骤S145，将测试数据集输入所述齿轮箱故障诊断模型，得到测试结果，所述测试数据集由所述样本数据集中训练数据集以外的数据构成。
具体地，将样本数据集中训练数据集以外的数据构成测试数据集，将测试数据集中的数据依次输入齿轮箱故障诊断模型，得到与测试数据集中数据数量对应的测试结果。
步骤S146，根据所述测试结果的准确率确定所述齿轮箱故障诊断模型是否为可用齿轮箱故障诊断模型。
具体地，将测试结果与真实结果相比较，得到测试结果正确的数量，测试结果的准确率即为测试结果正确的数量与测试结果数量的比值。当准确率大于预设的准确率阈值时，将齿轮箱故障诊断模型判断为可用齿轮箱故障诊断模型；当准确率小于预设的准确率阈值时，将齿轮箱故障诊断模型判断为不可用齿轮箱故障诊断模型。
步骤S147，当所述齿轮箱故障诊断模型为不可用齿轮箱故障诊断模型时，重新在所述样本数据集中抽取训练数据集对深度强化学习网络模型进行训练，直至得到可用齿轮箱故障诊断模型。
具体地，当齿轮箱故障诊断模型判断为不可用齿轮箱故障诊断模型时，重新生成训练数据集，并重复本发明方法实施例中步骤S141至步骤S145的过程，生成新的齿轮箱故障诊断模型。
本发明公开的训练齿轮箱故障诊断模型方法，通过将时域信号转化为频域信号并求取统计学指标，可以直接从频率上看出频带的变化，能够更好地提取故障特征。通过随机森林算法对特征值进行筛选，能够通过设置不同的决策树数量，满足不同情况下的精度要求。通过迭代训练深度强化学习网络模型，能够使模型具有更高的准确率。
在一实施方式中，以齿轮箱旋转部件故障中的轴承故障为例。根据轴承状态的不同，共选取了5个数据集，包括1个正常状态，4个故障状态。正常状态选择代号为B1的轴承，内圈故障选择B2和B3，外圈故障选择B4和B5。对于每个状态，选取不同运行条件。每组实验共有20次采样；每次采样以64kHz的采样频率采集4s电流信号，共256000个数据。
以转速为1500rpm为例，根据计算得到轴承每转一圈可测得大约2560个数据点，所以数据处理阶段以2560为窗口值，将每次采样的数据划分为100×2560的结构，由于每组实验由20次采样构成，所以组合20次采样之后的数据结构为2000×2560，相当于将原始数据转化为2000个样本。
每一个样本中的2560个原始电流信号数据属于时域范畴，对每一个样本求取包括均值、方差、标准差、均方根、偏度、峭度、波形因子、峰值因子、脉冲因子、裕度因子和峭度因子的11个指标。再将原始电流信号使用傅里叶分解变为频域信号，对得到的频域信号同样求上述11个指标，最后将在时域和频域状态下求得的指标组合得到一个1×22的样本，每组有2000个样本，最终得到结构为2000×22的特征数据集。由于22个指标中可能会存在与故障无关的特征量，使用随机森林对故障特征予以筛选，每次选择一个特征进行训练，得到每个特征与故障的关联指数M，M大于0说明该指标与故障相关联。
示例性地，当22个指标与故障的关联指数M均大于0时，则证明22个特征均与故障有关，所以全部保留并与模糊熵一起送入深度强化学习网络。当训练次数为64时，按照随机取样的方式生成训练数据集，并从中抽取64个样本对所述深度强化学习网络模型进行训练，得到64个训练结果，根据所述训练结果准确性计算奖励值。当预设迭代训练轮次为50轮时，即进行50轮训练，每一轮包括64次抽取，得到每一次奖励值，模型的准确率会随着迭代训练轮次的增加逐渐增大，如图5所示，最终稳定于99%左右。当训练次数为64，预设迭代训练轮次为50轮时，共计抽取3200个样本，即共训练3200次，计算每一次训练的损失函数，模型的损失率会随着迭代训练轮次的增加逐渐减小，如图6所示，最终稳定于0.001左右。将5个奖励值看成一组求平均值作为一个数据点，可以看出随着学习次数的增加，奖励值逐渐增大，如图7所示，最终稳定于63左右，代表着训练得到的模型拥有了较高的准确率。
随后将测试样本输入训练好的齿轮箱故障诊断模型中，并与正确结果相对比，即可得到该模型的实际准确率，当此时得到的实际准确率大于阈值时，即可将该模型判断为可用齿轮箱故障诊断模型，完成模型训练过程。
本发明还公开了一种齿轮箱故障诊断方法，如图8所示，包括如下步骤：
步骤S21，获取电流信号的时间序列。
具体地，齿轮箱所在机电系统中的电机电流信号可以通过电流互感器以一定的采样频率采集电机的定子电流获得。
步骤S22，将所述电流信号的时间序列输入如上述实施例所述的训练齿轮箱故障诊断模型方法生成的齿轮箱故障诊断模型中，得到齿轮箱故障诊断结果。
具体地，根据模型建立时确定的与故障有关的特征值和获取到的电流信号的时间序列每一数据，计算样本数据集；将样本数据集输入齿轮箱故障诊断模型，即可得到齿轮箱故障诊断结果。
本发明公开的齿轮箱故障诊断方法，仅需获取齿轮箱所在机电系统中的电机电流信号，无需在系统中安装其他传感器，提高了信号获取的可靠性，节省了设备投资，减少了运维成本，克服了现有技术中需要增加硬件结构的缺陷。通过将数据输入深度强化学习网络模型，应用机器学习技术得到故障诊断结果，提高了诊断的精度，克服了现有技术中可靠性低、准确性低的缺陷。
为验证本发明提供的齿轮箱故障诊断方法的泛化能力，针对四种运行条件进行测试训练，运行条件如表1所示。
表1 运行条件
Figure DEST_PATH_IMAGE171
针对上述运行条件，采用现有技术中的GRU、CNN-1D、CNN-1D-GRU方法与本发明提供的齿轮箱故障诊断方法分别进行诊断，诊断结果的准确率如表2所示。
表2 不同方法诊断结果
Figure DEST_PATH_IMAGE173
根据上述对比结果，可以得出本发明方法在4种不同的运行条件下均有比较稳定的诊断准确率，显现出强化学习自主学习的特点。因此，采用本发明实施例提供的齿轮箱故障诊断方法进行齿轮箱故障诊断，能够显著提高故障诊断的准确率。
本发明还公开了一种训练齿轮箱故障诊断模型装置，如图9所示，包括：
信号采集模块101，用于获取齿轮箱所在机电系统中的电机电流信号；具体内容参见本发明方法实施例中步骤S11的相关内容，此处不再赘述。
特征计算模块102，用于根据所述电流信号计算表征电流信号复杂程度和突变程度的特征值；具体内容参见本发明方法实施例中步骤S12的相关内容，此处不再赘述。
数据筛选模块103，用于根据随机森林算法对所述特征值进行筛选，生成样本数据集；具体内容参见本发明方法实施例中步骤S13的相关内容，此处不再赘述。
模型生成模块104，用于根据所述样本数据集对深度强化学习网络模型进行训练，生成齿轮箱故障诊断模型；具体内容参见本发明方法实施例中步骤S14的相关内容，此处不再赘述。
本发明实施例公开的训练齿轮箱故障诊断模型装置，仅需获取齿轮箱所在机电系统中的电机电流信号，无需在系统中安装其他传感器，提高了信号获取的可靠性，节省了设备投资，减少了运维成本，克服了现有技术中需要增加硬件结构的缺陷。通过计算表征电流信号复杂程度和突变程度的特征值并进行筛选，能够降低电流信号的特征维度，从电流信号包含的大量信息中提取出与齿轮箱故障有关的特征数据。通过训练深度强化学习网络模型，经过迭代，更新网络参数，得到能正确分类故障的齿轮箱故障诊断模型，提高了诊断的精度，克服了现有技术中可靠性低、准确性低的缺陷。
本发明还公开了一种齿轮箱故障诊断装置，如图10所示，包括：
数据获取模块201，用于获取电流信号的时间序列；具体内容参见本发明方法实施例中步骤S21的相关内容，此处不再赘述。
故障诊断模块202，用于将所述电流信号的时间序列输入到如本发明实施例中任一所述的训练齿轮箱故障诊断模型方法生成的齿轮箱故障诊断模型中，得到齿轮箱故障诊断结果；具体内容参见本发明方法实施例中步骤S22的相关内容，此处不再赘述。
本发明实施例提供的齿轮箱故障诊断装置，仅需获取齿轮箱所在机电系统中的电机电流信号，无需在系统中安装其他传感器，提高了信号获取的可靠性，节省了设备投资，减少了运维成本，克服了现有技术中需要增加硬件结构的缺陷。通过将数据输入深度强化学习网络模型，应用机器学习技术得到故障诊断结果，提高了诊断的精度，克服了现有技术中可靠性低、准确性低的缺陷。
本发明实施例还提供了一种电子设备，如图11所示，该电子设备可以包括处理器301和存储器302，其中处理器301和存储器302可以通过总线或者其他方式连接，图11中以通过总线连接为例。
处理器301可以为中央处理器（Central Processing Unit，CPU）。处理器301还可以为其他通用处理器、数字信号处理器（Digital Signal Processor，DSP）、专用集成电路（Application Specific Integrated Circuit，ASIC）、现场可编程门阵列（Field-Programmable Gate Array，FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。
存储器302作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本发明实施例中的训练齿轮箱故障诊断模型方法和/或齿轮箱故障诊断方法对应的程序指令/模块。处理器301通过运行存储在存储器302中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及数据处理，即实现上述方法实施例中的训练齿轮箱故障诊断模型方法和/或齿轮箱故障诊断方法。
存储器302可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储处理器301所创建的数据等。此外，存储器302可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器302可选包括相对于处理器301远程设置的存储器，这些远程存储器可以通过网络连接至处理器301。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
一个或者多个模块存储在存储器302中，当被处理器301执行时，执行如图1和/或图5所示实施例中的训练齿轮箱故障诊断模型方法和/或齿轮箱故障诊断方法。
虽然关于示例实施例及其优点已经详细说明，但是本领域技术人员可以在不脱离本发明的精神和所附权利要求限定的保护范围的情况下对这些实施例进行各种变化、替换和修改，这样的修改和变型均落入由所附权利要求所限定的范围之内。对于其他例子，本领域的普通技术人员应当容易理解在保持本发明保护范围内的同时，工艺步骤的次序可以变化。

Claims (6)

1.一种训练齿轮箱故障诊断模型方法，其特征在于，包括：
获取齿轮箱所在机电系统中的电机电流信号；
根据所述电流信号计算表征电流信号复杂程度和突变程度的特征值；
根据随机森林算法对所述特征值进行筛选，生成样本数据集；
根据所述样本数据集对深度强化学习网络模型进行训练，生成齿轮箱故障诊断模型；
所述根据所述电流信号计算表征电流信号复杂程度和突变程度的特征值，包括：
根据所述电流信号计算表征电流信号复杂程度的模糊熵特征值；
获取的电流信号为电流时域信号，基于傅里叶算法，将所述电流信号转化为电流频域信号；
根据所述电流时域信号和电流频域信号分别计算表征突变程度的时域特征值和频域特征值；
所述根据随机森林算法对所述特征值进行筛选，生成样本数据集，包括：
将包括所述时域特征值和频域特征值的样本数据进行抽样，根据抽样结果生成随机森林训练数据集和随机森林袋外数据集；
根据所述随机森林训练数据集和所述随机森林袋外数据集，利用所述随机森林算法，计算任一特征值与故障的关联度；
根据所述关联度对所述特征值进行筛选，生成有效特征数据集；
根据所述有效特征数据集和所述模糊熵，生成样本数据集；
所述根据所述随机森林训练数据集和所述随机森林袋外数据集，利用所述随机森林算法，计算任一特征值与故障的关联度，包括：
根据所述随机森林样本数据集，按照预设的随机森林算法参数构建决策树；
将所述随机森林袋外数据集输入所述决策树，生成第一数据误差；
按照预设的干扰范围，对所述随机森林袋外数据集进行加噪后，再次输入所述决策树，生成第二数据误差；
根据所述第一数据误差和所述第二数据误差，计算任一特征值与故障的关联度；
所述根据所述样本数据集对深度强化学习网络模型进行训练，生成齿轮箱故障诊断模型，包括：
根据训练数据集中抽取的样本对所述深度强化学习网络模型进行训练，得到训练结果，所述训练数据集为对所述样本数据集中的样本进行抽样得到；
根据所述训练结果准确性计算奖励值；
根据所述奖励值，确定奖励值期望；
根据训练数据集中抽取的样本对所述深度强化学习网络模型进行迭代训练，直至所述奖励值期望波动小于预设的波动阈值，得到齿轮箱故障诊断模型。
2.根据权利要求1所述的训练齿轮箱故障诊断模型方法，其特征在于，所述根据所述样本数据集对深度强化学习网络模型进行训练，生成齿轮箱故障诊断模型，还包括：
将测试数据集输入所述齿轮箱故障诊断模型，得到测试结果，所述测试数据集由所述样本数据集中训练数据集以外的数据构成；
根据所述测试结果的准确率确定所述齿轮箱故障诊断模型是否为可用齿轮箱故障诊断模型；
当所述齿轮箱故障诊断模型为不可用齿轮箱故障诊断模型时，重新在所述样本数据集中抽取训练数据集对深度强化学习网络模型进行训练，直至得到可用齿轮箱故障诊断模型。
3.一种齿轮箱故障诊断方法，其特征在于，包括：
获取电流信号的时间序列；
将所述电流信号的时间序列输入到如权利要求1所述的训练齿轮箱故障诊断模型方法生成的齿轮箱故障诊断模型中，得到齿轮箱故障诊断结果。
4.一种训练齿轮箱故障诊断模型装置，其特征在于，包括：
信号采集模块，用于获取齿轮箱所在机电系统中的电机电流信号；
特征计算模块，用于根据所述电流信号计算表征电流信号复杂程度和突变程度的特征值；
数据筛选模块，用于根据随机森林算法对所述特征值进行筛选，生成样本数据集；
模型生成模块，用于根据所述样本数据集对深度强化学习网络模型进行训练，生成齿轮箱故障诊断模型；
所述根据所述电流信号计算表征电流信号复杂程度和突变程度的特征值，包括：根据所述电流信号计算表征电流信号复杂程度的模糊熵特征值；获取的电流信号为电流时域信号，基于傅里叶算法，将所述电流信号转化为电流频域信号；根据所述电流时域信号和电流频域信号分别计算表征突变程度的时域特征值和频域特征值；
所述根据随机森林算法对所述特征值进行筛选，生成样本数据集，包括：将包括所述时域特征值和频域特征值的样本数据进行抽样，根据抽样结果生成随机森林训练数据集和随机森林袋外数据集；根据所述随机森林训练数据集和所述随机森林袋外数据集，利用所述随机森林算法，计算任一特征值与故障的关联度；根据所述关联度对所述特征值进行筛选，生成有效特征数据集；根据所述有效特征数据集和所述模糊熵，生成样本数据集；
所述根据所述随机森林训练数据集和所述随机森林袋外数据集，利用所述随机森林算法，计算任一特征值与故障的关联度，包括：根据所述随机森林训练数据集，按照预设的随机森林算法参数构建决策树；将所述随机森林袋外数据集输入所述决策树，生成第一数据误差；按照预设的干扰范围，对所述随机森林袋外数据集进行加噪后，再次输入所述决策树，生成第二数据误差；根据所述第一数据误差和所述第二数据误差，计算任一特征值与故障的关联度；
所述根据所述样本数据集对深度强化学习网络模型进行训练，生成齿轮箱故障诊断模型，包括：根据训练数据集中抽取的样本对所述深度强化学习网络模型进行训练，得到训练结果，所述训练数据集为对所述样本数据集中的样本进行抽样得到；根据所述训练结果准确性计算奖励值；根据所述奖励值，确定奖励值期望；根据训练数据集中抽取的样本对所述深度强化学习网络模型进行迭代训练，直至所述奖励值期望波动小于预设的波动阈值，得到齿轮箱故障诊断模型。
5.一种电子设备，其特征在于，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行如权利要求1或2所述的训练齿轮箱故障诊断模型方法和/或权利要求3所述的齿轮箱故障诊断方法的步骤。
6.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1或2所述的训练齿轮箱故障诊断模型方法和/或权利要求3所述的齿轮箱故障诊断方法的步骤。
CN202210249569.6A 2022-03-15 2022-03-15 一种训练齿轮箱故障诊断模型方法、齿轮箱故障诊断方法 Active CN114357663B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202210249569.6A CN114357663B (zh) 2022-03-15 2022-03-15 一种训练齿轮箱故障诊断模型方法、齿轮箱故障诊断方法
GB2302649.5A GB2616970A (en) 2022-03-15 2022-08-15 Gearbox fault diagnosis model training method and gearbox fault diagnosis method
PCT/CN2022/112476 WO2023035869A1 (zh) 2022-03-15 2022-08-15 一种训练齿轮箱故障诊断模型方法、齿轮箱故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210249569.6A CN114357663B (zh) 2022-03-15 2022-03-15 一种训练齿轮箱故障诊断模型方法、齿轮箱故障诊断方法

Publications (2)

Publication Number Publication Date
CN114357663A CN114357663A (zh) 2022-04-15
CN114357663B true CN114357663B (zh) 2022-05-31

Family

ID=81094550

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210249569.6A Active CN114357663B (zh) 2022-03-15 2022-03-15 一种训练齿轮箱故障诊断模型方法、齿轮箱故障诊断方法

Country Status (3)

Country Link
CN (1) CN114357663B (zh)
GB (1) GB2616970A (zh)
WO (1) WO2023035869A1 (zh)

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114357663B (zh) * 2022-03-15 2022-05-31 中国长江三峡集团有限公司 一种训练齿轮箱故障诊断模型方法、齿轮箱故障诊断方法
CN114707669A (zh) * 2022-06-02 2022-07-05 湖南师范大学 滚刀故障诊断模型训练方法、诊断方法、装置及电子设备
CN115420490A (zh) * 2022-09-01 2022-12-02 重庆大学 基于关系迁移域泛化网络的机械故障智能诊断方法
CN115931359B (zh) * 2023-03-03 2023-07-14 西安航天动力研究所 一种涡轮泵轴承故障诊断方法及装置
CN116150676B (zh) * 2023-04-19 2023-09-26 山东能源数智云科技有限公司 基于人工智能的设备故障诊断与识别方法及装置
CN116484263B (zh) * 2023-05-10 2024-01-05 江苏圣骏智能科技有限公司 一种智能化自助机故障检测系统及方法
CN116451142A (zh) * 2023-06-09 2023-07-18 山东云泷水务环境科技有限公司 一种基于机器学习算法的水质传感器故障检测方法
CN116992365B (zh) * 2023-08-02 2024-03-08 广东海洋大学 一种在随机冲击干扰下的故障诊断方法及系统
CN116980279B (zh) * 2023-09-25 2023-12-12 之江实验室 一种可编程网元设备的故障诊断系统及故障诊断方法
CN117609908A (zh) * 2023-10-23 2024-02-27 天津大学 一种基于多信息融合的星群故障诊断方法
CN117192371B (zh) * 2023-11-03 2024-01-30 南通清浪智能科技有限公司 一种新能源汽车电机驱动器的测试方法及系统
CN117214591A (zh) * 2023-11-09 2023-12-12 青岛哈尔滨工程大学创新发展中心 一种用于深潜器推进器的故障诊断系统及方法
CN117348605B (zh) * 2023-12-05 2024-03-12 东莞栢能电子科技有限公司 应用于离型膜撕除机控制系统的优化方法及系统
CN117909886B (zh) * 2024-03-18 2024-05-24 南京海关工业产品检测中心 一种基于优化随机森林模型的锯齿棉品级分类方法及系统

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10429419B2 (en) * 2015-03-26 2019-10-01 The University Of Akron System and method for iterative condition monitoring and fault diagnosis of electric machines
CN110674842A (zh) * 2019-08-26 2020-01-10 明阳智慧能源集团股份公司 一种风电机组主轴轴承故障预测方法
CN110988677B (zh) * 2019-11-25 2021-11-09 北京昊鹏智能技术有限公司 直流电机及其驱动的机械设备的故障检测方法和装置
CN111795819B (zh) * 2020-06-12 2021-06-22 燕山大学 一种融合振动与电流信号协同学习的齿轮箱故障诊断方法
US11220999B1 (en) * 2020-09-02 2022-01-11 Palo Alto Research Center Incorporated Deep hybrid convolutional neural network for fault diagnosis of wind turbine gearboxes
CN112327219B (zh) * 2020-10-29 2024-03-12 国网福建省电力有限公司南平供电公司 特征自动挖掘和参数自动寻优的配电变压器故障诊断方法
CN112633245B (zh) * 2020-12-31 2023-01-06 西安交通大学 基于深度强化学习模型的行星齿轮箱故障诊断方法
CN112710465A (zh) * 2021-01-04 2021-04-27 南京航空航天大学 基于雷达回波特征和随机森林的风电机叶片故障分类方法
CN113408068A (zh) * 2021-06-18 2021-09-17 浙江大学 一种随机森林分类的机泵故障诊断方法及装置
CN114091593A (zh) * 2021-11-12 2022-02-25 南京航空航天大学 一种基于多尺度特征融合的网络级电弧故障诊断方法
CN114357663B (zh) * 2022-03-15 2022-05-31 中国长江三峡集团有限公司 一种训练齿轮箱故障诊断模型方法、齿轮箱故障诊断方法

Also Published As

Publication number Publication date
WO2023035869A1 (zh) 2023-03-16
CN114357663A (zh) 2022-04-15
GB202302649D0 (zh) 2023-04-12
GB2616970A (en) 2023-09-27

Similar Documents

Publication Publication Date Title
CN114357663B (zh) 一种训练齿轮箱故障诊断模型方法、齿轮箱故障诊断方法
CN107560849B (zh) 多通道深度卷积神经网络的风电机组轴承故障诊断方法
CN114323644B (zh) 一种齿轮箱故障诊断、信号采集方法、装置和电子设备
Cheng et al. Study on planetary gear fault diagnosis based on entropy feature fusion of ensemble empirical mode decomposition
CN107657250B (zh) 轴承故障检测及定位方法及检测定位模型实现系统和方法
CN110823576B (zh) 基于生成对抗网络的机械异常检测方法
CN111340238A (zh) 一种工业系统的故障诊断方法、装置、设备及存储介质
CN112418277A (zh) 旋转机械零部件剩余寿命预测方法、系统、介质、设备
CN116226646B (zh) 轴承健康状态及剩余寿命的预测方法、系统、设备及介质
CN112729834B (zh) 一种轴承故障的诊断方法、装置和系统
CN116380445B (zh) 基于振动波形的设备状态诊断方法及相关装置
WO2023065580A1 (zh) 风电机组齿轮箱的故障诊断方法及装置
Babouri et al. Rolling bearing faults severity classification using a combined approach based on multi-scales principal component analysis and fuzzy technique
CN116956215A (zh) 一种传动系统故障诊断方法及系统
CN116561517A (zh) 基于奖励优化深度强化学习不平衡智能故障定量诊断方法
Abdul et al. Highly accurate gear fault diagnosis based on support vector machine
Samhouri et al. An intelligent machine condition monitoring system using time-based analysis: neuro-fuzzy versus neural network
CN117290685A (zh) 一种基于历史数据的电厂电力设备专家诊断系统及方法
Matania et al. Transfer across different machines by transfer function estimation
CN115238736A (zh) 一种旋转机械早期故障的识别方法
CN114894479A (zh) 一种基于vmd参数优化的风机主轴轴承故障诊断方法
CN113503232A (zh) 一种风机运行健康状态预警方法及系统
CN114778113B (zh) 一种基于单边衰减小波卷积稀疏的轴承故障特征提取方法
Pérez‐Torres et al. Selection of the level of vibration signal decomposition and mother wavelets to determine the level of failure severity in spur gearboxes
US20230351174A1 (en) Method of automatically creating ai diagnostic model for diagnosing abnormal state based on noise and vibration data to which enas is applied

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