CN114371002A - 基于dae-cnn的行星齿轮箱故障诊断方法 - Google Patents
基于dae-cnn的行星齿轮箱故障诊断方法 Download PDFInfo
- Publication number
- CN114371002A CN114371002A CN202111657329.1A CN202111657329A CN114371002A CN 114371002 A CN114371002 A CN 114371002A CN 202111657329 A CN202111657329 A CN 202111657329A CN 114371002 A CN114371002 A CN 114371002A
- Authority
- CN
- China
- Prior art keywords
- layer
- encoder
- training
- dae
- fault diagnosis
- 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
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000003745 diagnosis Methods 0.000 title claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 61
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 43
- 238000012360 testing method Methods 0.000 claims abstract description 20
- 230000036541 health Effects 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 3
- 210000002569 neuron Anatomy 0.000 claims description 32
- 230000004913 activation Effects 0.000 claims description 26
- 239000013598 vector Substances 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000013519 translation Methods 0.000 claims description 2
- 239000010410 layer Substances 0.000 description 95
- 230000006870 function Effects 0.000 description 25
- 230000000694 effects Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 206010044048 Tooth missing Diseases 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 239000002356 single layer Substances 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000009347 mechanical transmission Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- G01M13/028—Acoustic or vibration analysis
-
- 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
- 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
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06F18/2431—Multiple classes
-
- 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
- G06N3/048—Activation functions
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了基于DAE‑CNN的行星齿轮箱故障诊断方法，属于行星齿轮箱故障诊断技术领域，包括以下步骤，(1)获取不同健康状态下的行星齿轮箱振动信号，对数据进行预处理构建样本集；(2)构建深度自编码器；(3)对深度自编码器进行训练；(4)提取深度自编码器的编码器输出层的输出，进行训练数据集和测试数据集的划分，以作为卷积神经网络的输入；(5)构建卷积神经网络；(6)对卷积神经网络进行训练；(7)构建DAE‑CNN模型；(8)获取故障诊断结果。本发明提高了故障诊断方法鲁棒性。
Description
技术领域
本发明涉及行星齿轮箱故障诊断技术领域，涉及一种旋转机械设备故障诊断方法，可用于多种旋转机械设备(如行星齿轮箱、滚动轴承等)的故障诊断，尤其涉及一种基于DAE-CNN的行星齿轮箱故障诊断方法，即基于深度自编码器及卷积网络结合的行星齿轮箱故障诊断方法。
背景技术
二十一世纪以来，计算机硬件技术和传感器技术蓬勃发展，并逐渐应用于更为广泛和多样的领域。其中，传感器对振动、位移电压和电流等信号进行采集，并以此来实现对长期运行的大型设备进行监控，对大型机械传动设备的安全运行至关重要。随着深度学习方法理论的逐渐发展，传感器通过传统信号处理方法或传统机器学习算法无法精确判断设备运行状态的弊端一度得到改善，并且逐步体现出其处理海量数据的优势。
随着深度学习方法的影响力日益扩大，并逐步被引入到智能诊断领域中来。国外学者在行星齿轮箱故障诊断的应用问题做出较多相关研究。针对自编码器、卷积神经网络等学习方法通过对信号故障特征的提取，以及内部非线性神经元组合与较深层次网络结构的结合，改变了传统人工提取信号特征的过程。
Hinton等人实现了从单层自编码器变成深度自编码器，做到了有效的数据降维。Pascal Vincent团队先后对单层、深度去噪自编码器进行了介绍、证明与试验。并提出了通过去噪来建立一个训练准则学习如何找出有用的特征，并在噪声中重建出更鲁棒更稳定结果的观点。
Close H提出了一种归一化的稀疏自编码器，从输入的振动信号数据中自动学习特征，构建了端到端诊断模型。进一步通过归一化稀疏自编码器提出本地连接网络以构建端到端网络。斯坦福大学Ng撰写了《Sparse autoencoder》，提出稀疏编码器可以学习出比人工选择更好的特征，并通过稀疏“过完备”现象进一步提出了稀疏“过完备”也是一种压缩方式。
Hinton，Bengio，和Vincent等人对比了原型自编码器、稀疏自编码器、降噪自编码器、收缩自编码器、卷积自编码器和RBM等结构的性能，为以后的实践和科研提供了参考。
自编码器属于无监督学习算法，仅仅依靠自身的特征提取效果还不足以解决机械故障诊断问题。
发明内容
本部分的目的是在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
鉴于上述背景技术描述中存在的问题，提出了本发明，因此，本发明其中一个目的是提供基于DAE-CNN的行星齿轮箱故障诊断方法，完成将自编码器的特征提取能力与卷积神经网络的分类诊断能力相结合的集成模型，提高了卷积自编码器的诊断效果。
为解决上述技术问题，本发明采用的技术方案是：基于DAE-CNN的行星齿轮箱故障诊断方法，包括以下步骤，
(1)获取不同健康状态下的行星齿轮箱振动信号，对数据进行预处理构建样本集；
(2)构建深度自编码器；
自编码器的各层节点数依次为1024*128*64*10*N*10*64*128*1024，编码层和解码层是对称结构，包含的神经元个数相同，输入层和输出层均包含1024个神经元，编码层的前3个隐藏层神经元个数分别为128、64、10，第4个隐藏层(中间层)作为编码输出，其神经元个数N为2、4、8和10，分别对应所设计的四种深度自编码器；
(3)对深度自编码器进行训练；
(3a)利用预处理好的数据集来训练网络的第一层，得到第一层的参数，然后网络第一层将原始输入转化为由隐藏单元激活值组成的向量，将向量作为第二层的输入，继续训练得到第二层的参数，对其他层也按此规则处理；
(3b)自编码器最后一层使用Tanh函数作为神经元的激活函数，其他层采用Relu函数作为激活函数，而自编码器获取合适的参数θ＝(We,Wd,be,bd)，以最小化损失函数，损失函数为：
式中，λ是权重||W||2是通过最小化参数L2范数来避免过度拟合的正则项，
是重建损失；
(3c)将8类故障数据分别输入至深度自编码器进行训练；
(4)提取深度自编码器的编码器输出层的输出，进行训练数据集和测试数据集的划分，以作为卷积神经网络的输入；
(4a)从深度自编码器的编码器输出层提取的I个振动时域信号数据，以及每个数据对应的标签作为训练数据集
所有故障标签的类别为0，1，2，…，q，…，Q，其中Q为故障标签的类别总数，I≥2000，且I＞＞Q，x_traini表示第i个训练样本，y_traini表示每个训练样本的标签；
(4b)将深度自编码器的编码器输出层提取的J个振动时域信号数据作为测试数据集
x_testj表示第J个测试样本；
(5)构建卷积神经网络；
构建的卷积神经网络其网络结构包含4个卷积层、1个全连接层和1个输出层，卷积层接受自编码器提取的I×N向量，通过3×1大小的卷积核进行卷积操作，卷积层的激活函数为Relu函数，全连接层包括256个神经元，输出层的激活函数采用softmax函数以实现故障分类，其包含8个神经元来完成8分类的任务；
(6)对卷积神经网络进行训练；
(7)构建DAE-CNN模型；
(8)获取故障诊断结果。
进一步的，在步骤(1)中，包括以下步骤，(1a)将采集的不同健康状态下x个齿轮振动时域信号数据作为训练数据集X；
(1b)将通过采集器采集不同健康状态下的y个齿轮振动时域信号数据作为测试数据集Y；
(1c)对数据进行归一化处理并作打乱。
进一步的，构建的深度自编码器包括1个输入层，7个隐藏层和1个输出层，根据不同的中间层神经元数目N，设计具有4种不同中间层的深度自编码器，第4个隐藏层即为中间层。
进一步的，步骤(3)中所述的深度自编码器训练中其编码过程输出结果为：
y＝fe(Wex+be)
其中，fe是一个激活函数，We是一个m'×m权重矩阵，以及be是一个偏移向量，其维度为m'；
解码过程输出结果为：
其中，fd也是一个激活函数，Wd是一个m'×m权重矩阵，以及bd是一个偏移向量，其维度为m。
进一步的，步骤(4)中所述的将深度自编码器的输出作为卷积神经网络的输入，采用滑动平移窗处理的方式，将编码器提取的I×N向量进行切片处理，作为卷积神经网络的输入层。
进一步的，在步骤(6)中，包括以下步骤，(6a)采用10次10折交叉验证的方法，将训练集X1划分为大小相同的10份，每次选择1份作为验证集Vk，其余9份作为训练集Tk，共划分10次，得到10组不同的训练集和验证集；
(6b)利用划分好的数据集来训练网络的第一层，得到第一层的参数，原始输入经过线性加权和非线性激活后，输入至下一层神经元，其他层也按此规则处理。
进一步的，步骤(7)中所构建的DAE-CNN模型包含4种不同中间层的网络，且将DAE编码器输出层的输出作为CNN的第一层卷积输入。
与现有技术相比，本发明具有的优点和积极效果如下。
1、本发明网络利用深度自编码器快速特征提取性能，降低了卷积神经网络在非线性组合特征的难度，并采用K折交叉验证对每个激活函数，通过不同的训练集训练多个卷积神经网络，提高了深度自编码器模型泛化能力，与现有技术相比，提高了故障诊断方法鲁棒性；
2、本发明所提出的DAE-CNN网络通过对比中间层数目，验证了不同中间层神经元个数自编码器特征提取能力的不同，尤其得到8D-DAE-CNN网络，具有体积小、所需训练的参数少，训练过程更快，训练效果更优的特点。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
图1是本发明图1为本发明的实现流程；
图2为本发明实施例行星齿轮箱8种不同故障类型的振动时域信号波形示意图；
图3为本发明深度自编码器的结构示意图；
图4为本发明卷积神经网络的结构示意图；
图5为本发明DAE-CNN网络的训练及标签分类输出(1800r/min工况)；
图6为本发明DAE-CNN网络得训练及标签分类输出(3000r/min工况)。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸
再次，需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以通过具体情况理解上述术语在本发明中的具体含义。
为使本发明的目的、技术方案和优点更加清楚，下面结合附图对本发明的具体实施例做详细说明。
如图1所示，基于DAE-CNN的行星齿轮箱故障诊断方法，包括以下步骤，
步骤1)获取训练数据集X和测试数据集Y：
本发明可用于行星齿轮箱故障、滚动轴承等旋转机械的智能故障诊断。本实施例以行星齿轮箱为例，利用行星齿轮箱故障数据进行了实验分析。通过安装在行星齿轮箱箱体水平方向的加速度传感器获取振动信号，分别采集行星齿轮箱共计8种故障类型、384个振动时域信号作为数据集。具体如下：
本实施例使用的振动时域信号均来自电子科技大学行星齿轮箱数据集。试验齿轮箱主要包括正常状态，太阳轮齿根裂纹、断齿、缺齿、齿面磨损，行星轮齿根裂纹、断齿、缺齿8种故障类型。
在1800r/min和3000r/min两种电动机转速下采集振动信号，获得了不同的故障类型的共计8种故障类型的行星齿轮箱振动信号，其波形如图2所示。每个故障类型采集60个样本，随机抽取48个样本进行训练，余下的12个样本负责对模型进行测试。每个样本包含1024个数据点，得到384个样本作为训练数据集，96个样本作为测试数据集。数据描述如表1所示。
表1数据集中行星齿轮箱状态
步骤2)
构建深度自编码器：
在本实施例中，构建的深度自编码器由1个输入层，7个隐藏层，1个输出层组成。根据不同的中间层神经元数目N，设计四种不同中间层的深度自编码器结构。深度自编码器的主要参数如表2所示。
自编码器的每一层都是由普通神经元构成，各层节点数依次为1024*128*64*10*N*10*64*128*1024，编码层和解码层是一种对称结构，包含的神经元个数相同。输入层和输出层包含1024个神经元，后面的3个隐藏层神经元个数分别为128、64、10，第4层隐藏层(中间层)作为编码输出，其神经元个数N为2、4、8、10(对应模型DAE1、DAE2、DAE3、DAE4)。
表2深度自编码器的主要参数
| 层名称 | 神经元个数 | 训练参数 |
| 输入层 | 1024 | 0 |
| 编码层1 | 128 | 131200 |
| 编码层2 | 64 | 8256 |
| 编码层3 | 10 | 650 |
| 编码输出层 | N | N×11 |
| 解码层1 | 10 | N×10+10 |
| 解码层2 | 64 | 704 |
| 解码层3 | 128 | 8320 |
| 输出层 | 1024 | 132096 |
步骤3对每个深度自编码器进行训练：
(3a)利用预处理好的数据集来训练网络的第一层，得到第一层的参数，然后网络第一层将输入(矩阵)转化为由隐藏单元激活值组成的向量，将向量作为第二层的输入，继续训练得到第二层的参数，对其他层也按此规则处理；
(3b)自编码器最后一层使用Tanh函数作为神经元的激活函数，其他层采用Relu函数作为激活函数，而自编码器获取合适的参数θ＝(We,Wd,be,bd)，以最小化损失函数。损失函数为：
式中，λ是权重||W||2是通过最小化参数L2范数来避免过度拟合的正则项，
是重建损失；
(3c)将8类故障数据输入至深度自编码器，分别进行训练。
步骤4)提取深度自编码器的编码器输出层的输出，进行训练数据集和测试数据集的划分，以作为卷积神经网络的输入：
(4a)从深度自编码器的编码器输出层提取的I个振动时域信号数据，以及每个数据对应的标签作为训练数据集
所有故障标签的类别为0，1，2，…，q，…，Q，其中Q为故障标签的类别总数，I≥2000，且I＞＞Q，x_traini表示第i个训练样本，y_traini表示每个训练样本的标签；
(4b)将深度自编码器的编码器输出层提取的J个振动时域信号数据作为测试数据集
x_testj表示第J个测试样本；
步骤5)构建卷积神经网络：
构建的卷积神经网络其网络结构包含4个卷积层、1个全连接层和1个输出层。卷积层接受自编码器提取的I×N向量，通过3×1大小的卷积核进行卷积操作，卷积层的激活函数为Relu函数，全连接层包括256个神经元，输出层的激活函数采用softmax函数以实现故障分类，其包含8个神经元来完成8分类的任务。卷积神经网络的主要参数如表3所示。
表3卷积神经网络的主要参数
| 层名称 | 输出维度 | 训练参数 |
| conv1d | (None,N,32) | 128 |
| conv1d_1 | (None,N,32) | 3104 |
| conv1d_2 | (None,N,64) | 6208 |
| conv1d_3 | (None,N,64) | 12352 |
| flatten | (None,N×64) | 0 |
| dense | (None,256) | N×64×256+256 |
| dropout | (None,256) | 0 |
| dense_1 | (None,8) | 2056 |
步骤6)对卷积神经网络进行训练：
(6a)采用10次10折交叉验证的方法，将训练集X1划分为大小相同的10份，每次选择1份作为验证集Vk，其余9份作为训练集Tk，共划分10次，得到10组不同的训练集和验证集；
(6b)利用划分好的数据集来训练网络的第一层，得到第一层的参数，原始输入经过线性加权和非线性激活后，输入至下一层神经元。其他层也按此规则处理。
步骤7)构建DAE-CNN模型；
步骤8)获取故障诊断结果。
以下结合具体实验，对本发明的技术效果做详细说明。
1、采用4类不同中间层的深度自编码器进行对比，其结果如表4所示。DAE-CNN的准确率随中间层神经元个数的增加而升高，其中8D-DAE-CNN网络已具有极高得准确率，且具有足够小的数据维度及更快的训练速度。说明该方法是可行的，诊断效果良好。
表4四类不同中间层DAE-CNN诊断结果。
2、采用标准DNN、CNN、SVM网络进行对比，由图5、6所示训练过程及故障分类结果可以看出，所选8D-DAE-CNN网络模型的故障诊断能力远超传统网络模型，且具有较快的收敛速度，证明了该模型的良好学习能力。
表5其他标准神经网络诊断结果。
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的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，其均应涵盖在本发明的权利要求范围当中。
Claims (7)
1.基于DAE-CNN的行星齿轮箱故障诊断方法，其特征在于：包括以下步骤，
(1)获取不同健康状态下的行星齿轮箱振动信号，对数据进行预处理构建样本集；
(2)构建深度自编码器；
自编码器的各层节点数依次为1024*128*64*10*N*10*64*128*1024，编码层和解码层是对称结构，包含的神经元个数相同，输入层和输出层均包含1024个神经元，编码层的前3个隐藏层神经元个数分别为128、64、10，第4个隐藏层(中间层)作为编码输出，其神经元个数N为2、4、8和10，分别对应所设计的四种深度自编码器；
(3)对深度自编码器进行训练；
(3a)利用预处理好的数据集来训练网络的第一层，得到第一层的参数，然后网络第一层将原始输入转化为由隐藏单元激活值组成的向量，将向量作为第二层的输入，继续训练得到第二层的参数，对其他层也按此规则处理；
(3b)自编码器最后一层使用Tanh函数作为神经元的激活函数，其他层采用Relu函数作为激活函数，而自编码器获取合适的参数θ＝(We,Wd,be,bd)，以最小化损失函数，损失函数为：
式中，λ是权重||W||2是通过最小化参数L2范数来避免过度拟合的正则项，
是重建损失；
(3c)将8类故障数据分别输入至深度自编码器进行训练；
(4)提取深度自编码器的编码器输出层的输出，进行训练数据集和测试数据集的划分，以作为卷积神经网络的输入；
(4a)从深度自编码器的编码器输出层提取的I个振动时域信号数据，以及每个数据对应的标签作为训练数据集
所有故障标签的类别为0，1，2，…，q，…，Q，其中Q为故障标签的类别总数，I≥2000，且I＞＞Q，x_traini表示第i个训练样本，y_traini表示每个训练样本的标签；
(4b)将深度自编码器的编码器输出层提取的J个振动时域信号数据作为测试数据集
x_testj表示第J个测试样本；
(5)构建卷积神经网络；
构建的卷积神经网络其网络结构包含4个卷积层、1个全连接层和1个输出层，卷积层接受自编码器提取的I×N向量，通过3×1大小的卷积核进行卷积操作，卷积层的激活函数为Relu函数，全连接层包括256个神经元，输出层的激活函数采用softmax函数以实现故障分类，其包含8个神经元来完成8分类的任务；
(6)对卷积神经网络进行训练；
(7)构建DAE-CNN模型；
(8)获取故障诊断结果。
2.根据权利要求1所述的基于DAE-CNN的行星齿轮箱故障诊断方法，其特征在于：在步骤(1)中，包括以下步骤，(1a)将采集的不同健康状态下x个齿轮振动时域信号数据作为训练数据集X；
(1b)将通过采集器采集不同健康状态下的y个齿轮振动时域信号数据作为测试数据集Y；
(1c)对数据进行归一化处理并作打乱。
3.根据权利要求1所述的基于DAE-CNN的行星齿轮箱故障诊断方法，其特征在于：构建的深度自编码器包括1个输入层，7个隐藏层和1个输出层，根据不同的中间层神经元数目N，设计具有4种不同中间层的深度自编码器，第4个隐藏层即为中间层。
4.根据权利要求1所述的基于DAE-CNN的行星齿轮箱故障诊断方法，其特征在于：步骤(3)中所述的深度自编码器训练中其编码过程输出结果为：
y＝fe(Wex+be)
其中，fe是一个激活函数，We是一个m'×m权重矩阵，以及be是一个偏移向量，其维度为m'；
解码过程输出结果为：
其中，fd也是一个激活函数，Wd是一个m'×m权重矩阵，以及bd是一个偏移向量，其维度为m。
5.根据权利要求1所述的基于DAE-CNN的行星齿轮箱故障诊断方法，其特征在于：步骤(4)中所述的将深度自编码器的输出作为卷积神经网络的输入，采用滑动平移窗处理的方式，将编码器提取的I×N向量进行切片处理，作为卷积神经网络的输入层。
6.根据权利要求1所述的基于DAE-CNN的行星齿轮箱故障诊断方法，其特征在于：在步骤(6)中，包括以下步骤，(6a)采用10次10折交叉验证的方法，将训练集X1划分为大小相同的10份，每次选择1份作为验证集Vk，其余9份作为训练集Tk，共划分10次，得到10组不同的训练集和验证集；
(6b)利用划分好的数据集来训练网络的第一层，得到第一层的参数，原始输入经过线性加权和非线性激活后，输入至下一层神经元，其他层也按此规则处理。
7.根据权利要求1所述的基于DAE-CNN的行星齿轮箱故障诊断方法，其特征在于：步骤(7)中所构建的DAE-CNN模型包含4种不同中间层的网络，且将DAE编码器输出层的输出作为CNN的第一层卷积输入。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111657329.1A CN114371002B (zh) | 2021-12-30 | 2021-12-30 | 基于dae-cnn的行星齿轮箱故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111657329.1A CN114371002B (zh) | 2021-12-30 | 2021-12-30 | 基于dae-cnn的行星齿轮箱故障诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114371002A true CN114371002A (zh) | 2022-04-19 |
| CN114371002B CN114371002B (zh) | 2024-01-09 |
Family
ID=81142084
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111657329.1A Active CN114371002B (zh) | 2021-12-30 | 2021-12-30 | 基于dae-cnn的行星齿轮箱故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114371002B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117349491A (zh) * | 2023-12-04 | 2024-01-05 | 云翔赛博(山东)数字技术有限公司 | 振动筛的故障诊断算法、方法及系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190286506A1 (en) * | 2018-03-13 | 2019-09-19 | Nec Laboratories America, Inc. | Topology-inspired neural network autoencoding for electronic system fault detection |
| CN110334764A (zh) * | 2019-07-04 | 2019-10-15 | 西安电子科技大学 | 基于集成深度自编码器的旋转机械智能故障诊断方法 |
| CN110455512A (zh) * | 2019-08-20 | 2019-11-15 | 西安电子科技大学 | 基于深度自编码器dae的旋转机械多集成故障诊断方法 |
| CN111175054A (zh) * | 2020-01-08 | 2020-05-19 | 沈阳航空航天大学 | 一种基于数据驱动的航空发动机故障诊断方法 |
| WO2020135193A1 (zh) * | 2018-12-27 | 2020-07-02 | 深圳Tcl新技术有限公司 | 一种基于深度神经网络的视频推荐方法、系统及存储介质 |
| CN112665852A (zh) * | 2020-11-30 | 2021-04-16 | 南京航空航天大学 | 一种基于深度学习的变工况行星齿轮箱故障诊断方法及装置 |
| CN113536683A (zh) * | 2021-07-21 | 2021-10-22 | 北京航空航天大学 | 一种基于深度神经网络的人工特征与卷积特征融合的特征提取方法 |
-
2021
- 2021-12-30 CN CN202111657329.1A patent/CN114371002B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190286506A1 (en) * | 2018-03-13 | 2019-09-19 | Nec Laboratories America, Inc. | Topology-inspired neural network autoencoding for electronic system fault detection |
| WO2020135193A1 (zh) * | 2018-12-27 | 2020-07-02 | 深圳Tcl新技术有限公司 | 一种基于深度神经网络的视频推荐方法、系统及存储介质 |
| CN110334764A (zh) * | 2019-07-04 | 2019-10-15 | 西安电子科技大学 | 基于集成深度自编码器的旋转机械智能故障诊断方法 |
| CN110455512A (zh) * | 2019-08-20 | 2019-11-15 | 西安电子科技大学 | 基于深度自编码器dae的旋转机械多集成故障诊断方法 |
| CN111175054A (zh) * | 2020-01-08 | 2020-05-19 | 沈阳航空航天大学 | 一种基于数据驱动的航空发动机故障诊断方法 |
| CN112665852A (zh) * | 2020-11-30 | 2021-04-16 | 南京航空航天大学 | 一种基于深度学习的变工况行星齿轮箱故障诊断方法及装置 |
| CN113536683A (zh) * | 2021-07-21 | 2021-10-22 | 北京航空航天大学 | 一种基于深度神经网络的人工特征与卷积特征融合的特征提取方法 |
Non-Patent Citations (3)
| Title |
|---|
| 周兴康;余建波: "基于深度一维残差卷积自编码网络的齿轮箱故障诊断", 机械工程学报, no. 007 * |
| 尤丽静;陈在平;: "基于自组织神经网络的轴流风机不对中故障诊断研究", 天津理工大学学报, no. 01 * |
| 张飞;吴松林: "基于CDAE与CNN的滚动轴承故障诊断方法", 自动化应用, no. 011 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117349491A (zh) * | 2023-12-04 | 2024-01-05 | 云翔赛博(山东)数字技术有限公司 | 振动筛的故障诊断算法、方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114371002B (zh) | 2024-01-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110162018B (zh) | 基于知识蒸馏与隐含层共享的增量式设备故障诊断方法 | |
| Shao et al. | A novel approach of multisensory fusion to collaborative fault diagnosis in maintenance | |
| Xu et al. | Online fault diagnosis method based on transfer convolutional neural networks | |
| CN106124212B (zh) | 基于稀疏编码器和支持向量机的滚动轴承故障诊断方法 | |
| CN108319962B (zh) | 一种基于卷积神经网络的刀具磨损监测方法 | |
| AU2020214409A1 (en) | Structural damage identification method based on ensemble empirical mode decomposition and convolution neural network | |
| CN110146812B (zh) | 一种基于特征节点增量式宽度学习的电机故障诊断方法 | |
| Liao et al. | Wavelet transform based convolutional neural network for gearbox fault classification | |
| CN110617960A (zh) | 一种风电机组齿轮箱故障诊断方法及系统 | |
| CN111753891B (zh) | 一种无监督特征学习的滚动轴承故障诊断方法 | |
| CN111397901A (zh) | 基于小波和改进pso-rbf神经网络的滚动轴承故障诊断方法 | |
| CN111504635A (zh) | 基于差分进化概率神经网络的行星齿轮故障诊断方法 | |
| CN111855202A (zh) | 一种齿轮箱故障诊断方法及系统 | |
| Deng et al. | Rolling bearing fault diagnosis based on Deep Boltzmann machines | |
| CN113723489A (zh) | 一种改进关系网络的滚动轴承故障识别方法 | |
| CN111553297A (zh) | 一种基于2d-cnn和dbn的涤纶长丝生产故障诊断方法和系统 | |
| CN114091504A (zh) | 一种基于生成对抗网络的旋转机械小样本故障诊断方法 | |
| CN106502850B (zh) | 一种稀疏紧框架字典学习模型的多故障辨识方法与装置 | |
| CN116358871B (zh) | 基于图卷积网络的滚动轴承微弱信号复合故障诊断方法 | |
| CN114371002B (zh) | 基于dae-cnn的行星齿轮箱故障诊断方法 | |
| CN112116029A (zh) | 一种多尺度结构与特征融合的齿轮箱智能故障诊断方法 | |
| CN112651426A (zh) | 一种风电机组滚动轴承故障诊断方法 | |
| CN113865872B (zh) | 基于小波包重构成像和cnn的轴承故障诊断方法 | |
| CN114386452A (zh) | 核电循环水泵太阳轮故障检测方法 | |
| CN117113198A (zh) | 一种基于半监督对比学习的旋转设备小样本故障诊断方法 |
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 |