CN117195105B - 基于多层卷积门控循环单元的齿轮箱故障诊断方法及装置 - Google Patents
基于多层卷积门控循环单元的齿轮箱故障诊断方法及装置 Download PDFInfo
- Publication number
- CN117195105B CN117195105B CN202311477703.9A CN202311477703A CN117195105B CN 117195105 B CN117195105 B CN 117195105B CN 202311477703 A CN202311477703 A CN 202311477703A CN 117195105 B CN117195105 B CN 117195105B
- Authority
- CN
- China
- Prior art keywords
- sensor signals
- representing
- wavelet packet
- fault diagnosis
- layer
- 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
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 64
- 230000006870 function Effects 0.000 claims description 29
- 239000011159 matrix material Substances 0.000 claims description 25
- 238000011176 pooling Methods 0.000 claims description 17
- 230000004913 activation Effects 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 7
- 230000007787 long-term memory Effects 0.000 claims description 6
- 230000006403 short-term memory Effects 0.000 claims description 6
- 238000013519 translation Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 abstract description 6
- 238000013528 artificial neural network Methods 0.000 description 17
- 238000013527 convolutional neural network Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 238000009826 distribution Methods 0.000 description 8
- 238000013135 deep learning Methods 0.000 description 7
- 238000005070 sampling Methods 0.000 description 6
- 230000015654 memory Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 230000000306 recurrent effect Effects 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Abstract
本发明公开了一种基于多层卷积门控循环单元的齿轮箱故障诊断方法及装置，涉及故障诊断技术领域。包括：获取目标齿轮箱的多个传感器信号；根据多个传感器信号以及改进的小波包分解算法，得到多个传感器信号的频域特征信息；对多个传感器信号的频域特征信息进行拼接，得到高维特征张量；根据高维特征张量以及马尔可夫算法门控循环单元MCGRU故障诊断模型，得到目标齿轮箱的故障类型。本发明提供一种基于多层卷积门控循环单元的齿轮箱故障诊断方法，通过对不同类型的传感器选择对应的信号处理通道，实现对不同类型的传感器兼容处理。
Description
技术领域
本发明涉及故障诊断技术领域，尤其涉及一种基于多层卷积门控循环单元的齿轮箱故障诊断方法及装置。
背景技术
随着机械设备服役年限的增加，齿轮、轮对、轴承等关键部件逐渐进入损耗失效期，故障率不断提高，针对安全运营的重要需求，亟待对设备关键部件的健康状态进行监测并诊断。
一般地，系统的运行状态信息来源传感器，在零部件故障时敏感度有限，且多传感器信息融合程度低，采集的多元信息得不到充分利用，故以此为基础对城轨列车齿轮箱建立故障诊断模型较为困难，导致故障诊断可靠性不高。
同时，由于实际应用的安全需求，部分设备齿轮箱的运行数据存在故障数据小且故障种类少的问题，这种不平衡的小样本集难以对故障诊断模型进行有效训练，致使故障特征的提取较为困难。
因此，开展齿轮箱智能化、精确化、快速化的故障诊断研究已成为本领域技术人员迫切需要解决的问题。
发明内容
本发明针对现有技术中无法同时有效地处理多个传感器数据，不能精准定位到故障点，维修困难的问题，提出了本发明。
为解决上述技术问题，本发明提供如下技术方案：
一方面，本发明提供了一种基于多层卷积门控循环单元的齿轮箱故障诊断方法，该方法由电子设备实现，该方法包括：
S1、获取目标齿轮箱的多个传感器信号。
S2、根据多个传感器信号以及改进的小波包分解算法，得到多个传感器信号的频域特征信息。
S3、对多个传感器信号的频域特征信息进行拼接，得到高维特征张量。
S4、根据高维特征张量以及马尔可夫算法门控循环单元MCGRU故障诊断模型，得到目标齿轮箱的故障类型。
可选地，S2中的根据多个传感器信号以及改进的小波包分解算法，得到多个传感器信号的频域特征信息，包括：
S21、对多个传感器信号中的每个传感器信号进行等距划分。
S22、根据划分后的传感器信号，确定最优的信号分解路径。
S23、根据最优的信号分解路径以及改进的小波包分解算法，对划分后的每一段传感器信号进行小波包分解，得到多个传感器信号的频域特征信息。
可选地，S22中的根据划分后的传感器信号，确定最优的信号分解路径，包括：
对划分后的每一段传感器信号的低频子带以及高频子带进行分解，对分解后的低频子带以及高频子带进行最小化代价函数，计算得到最优的信号分解路径。
可选地，S23中的改进的小波包分解算法，包括：
基于二进小波包变换，设置各级小波包分解时，相邻级数的尺度函数和小波函数之间具有递推关系。
可选地，递推关系，如下式（1）（2）所示：
（1）
（2）
其中，表示小波包，/>表示平移变量，/>表示低通滤波器，/>表示时刻，/>表示高通滤波器。
可选地，S23中的改进的小波包分解算法采用Symlets小波基。
可选地，S3中的对多个传感器信号的频域特征信息进行拼接，得到高维特征张量，包括：
将同一时间步中的多个传感器的特征矩阵在深度维度进行拼接，得到三维特征矩阵。
其中，三维特征矩阵包括时域分辨率、频域分辨率以及传感器数量。
可选地，S4中的马尔可夫算法门控循环单元MCGRU故障诊断模型，包括第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、长短期记忆网络、展平层、全连接层和输出层。
可选地，S4中的MCGRU故障诊断模型的重置门与更新门通过本地临域单元的输入和过去状态确定当前候选隐藏状态，并使用当前候选隐藏状态对当前隐藏状态进行更新，更新方程如下式（3）-（6）所示：
（3）
（4）
（5）
（6）
其中，表示重置门输出，/>表示时刻，/>表示激活函数，/>表示当前/>时刻输入数据，/>、/>、/>、/>、/>、/>表示权重矩阵，/>、/>、/>表示偏置，/>表示更新门输出，/>表示候选隐藏状态，/>表示双曲正切激活函数，/>表示前一个时刻输出的隐藏单元信息，/>表示卷积算子，/>表示哈达马Hadamard乘积，/>表示隐藏状态。
另一方面，本发明提供了一种基于多层卷积门控循环单元的齿轮箱故障诊断装置，该装置应用于实现基于多层卷积门控循环单元的齿轮箱故障诊断方法，该装置包括：
获取模块，用于获取目标齿轮箱的多个传感器信号。
特征提取模块，用于根据多个传感器信号以及改进的小波包分解算法，得到多个传感器信号的频域特征信息。
拼接模块，用于对多个传感器信号的频域特征信息进行拼接，得到高维特征张量。
输出模块，用于根据高维特征张量以及马尔可夫算法门控循环单元MCGRU故障诊断模型，得到目标齿轮箱的故障类型。
可选地，特征提取模块，进一步用于：
S21、对多个传感器信号中的每个传感器信号进行等距划分。
S22、根据划分后的传感器信号，确定最优的信号分解路径。
S23、根据最优的信号分解路径以及改进的小波包分解算法，对划分后的每一段传感器信号进行小波包分解，得到多个传感器信号的频域特征信息。
可选地，特征提取模块，进一步用于：
对划分后的每一段传感器信号的低频子带以及高频子带进行分解，对分解后的低频子带以及高频子带进行最小化代价函数，计算得到最优的信号分解路径。
可选地，改进的小波包分解算法，包括：
基于二进小波包变换，设置各级小波包分解时，相邻级数的尺度函数和小波函数之间具有递推关系。
可选地，递推关系，如下式（1）（2）所示：
（1）
（2）
其中，表示小波包，/>表示平移变量，/>表示低通滤波器，/>表示时刻，/>表示高通滤波器。
可选地，改进的小波包分解算法采用Symlets小波基。
可选地，拼接模块，进一步用于：
将同一时间步中的多个传感器的特征矩阵在深度维度进行拼接，得到三维特征矩阵。
其中，三维特征矩阵包括时域分辨率、频域分辨率以及传感器数量。
可选地，马尔可夫算法门控循环单元MCGRU故障诊断模型，包括第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、长短期记忆网络、展平层、全连接层和输出层。
可选地， MCGRU故障诊断模型的重置门与更新门通过本地临域单元的输入和过去状态确定当前候选隐藏状态，并使用当前候选隐藏状态对当前隐藏状态进行更新，更新方程如下式（3）-（6）所示：
（3）
（4）
（5）
（6）
其中，表示重置门输出，/>表示时刻，/>表示激活函数，/>表示当前/>时刻输入数据，/>、/>、/>、/>、/>、/>表示权重矩阵，/>、/>、/>表示偏置，/>表示更新门输出，/>表示候选隐藏状态，/>表示双曲正切激活函数，/>表示前一个时刻输出的隐藏单元信息，/>表示卷积算子，/>表示哈达马Hadamard乘积，/>表示隐藏状态。
一方面，提供了一种电子设备，所述电子设备包括处理器和存储器，所述存储器中存储有至少一条指令，所述至少一条指令由所述处理器加载并执行以实现上述基于多层卷积门控循环单元的齿轮箱故障诊断方法。
一方面，提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现上述基于多层卷积门控循环单元的齿轮箱故障诊断方法。
上述技术方案，与现有技术相比至少具有如下有益效果：
上述方案，所建立的齿轮箱故障诊断模型具有较强的特征学习能力，随着网络层数的增加能够逐渐区分多种状态，具有较强的故障诊断能力。
附图说明
为了更清楚地说明本发明实施例中的技术方案，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的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的基于多层卷积门控循环单元的齿轮箱故障诊断方法流程示意图；
图2是本发明实施例提供的齿轮箱故障诊断模型门控循环单元结构示意图；
图3是本发明实施例提供的齿轮箱故障诊断模型门控循环单元加权连接运算示意图；
图4是本发明实施例提供的齿轮箱故障诊断模型卷积门控循环单元结构示意图；
图5是本发明实施例提供的齿轮箱故障诊断模型卷积门控循环单元加权卷积运算示意图；
图6是本发明实施例提供的齿轮箱故障诊断模型多层卷积门控循环单元结构所提取特征与传统卷积网络及卷积GRU网络对比图；
图7是本发明实施例提供的正弦转速曲线图；
图8是本发明实施例提供的齿轮箱故障诊断模型与传统卷积神经网络模型在在相同的测试集测试后诊断结果可视化混淆矩阵图；
图9是本发明实施例提供的基于多层卷积门控循环单元的齿轮箱故障诊断装置框图；
图10是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例的附图，对本发明实施例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的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，本发明实施例提供了一种基于多层卷积门控循环单元的齿轮箱故障诊断方法，该方法可以由电子设备实现。如图1所示的基于多层卷积门控循环单元的齿轮箱故障诊断方法流程图，该方法的处理流程可以包括如下的步骤：
S1、获取目标齿轮箱的多个传感器信号。
一种可行的实施方式中，获取待诊断齿轮箱的多个不同传感器时序信号。
S2、根据多个传感器信号以及改进的小波包分解算法，得到多个传感器信号的频域特征信息。
可选地，上述步骤S2可以包括如下步骤S21- S23：
S21、对多个传感器信号中的每个传感器信号进行等距划分。
一种可行的实施方式中，将时间信号进行等距划分，每段时间信号包含1024个采样点，每个时间片段代表循环神经网络中的一个时间步。
S22、根据划分后的传感器信号，确定最优的信号分解路径，包括：对划分后的每一段传感器信号的低频子带以及高频子带进行分解，对分解后的低频子带以及高频子带进行最小化代价函数，计算得到最优的信号分解路径。
一种可行的实施方式中，在每一级信号分解时，除了对低频子带进行进一步分解，也对高频子带进行进一步分解。最后通过最小化一个代价函数，计算出最优的信号分解路径，并以此分解路径对原始信号进行分解。
S23、根据最优的信号分解路径以及改进的小波包分解算法，对划分后的每一段传感器信号进行小波包分解，得到多个传感器信号的频域特征信息。
可选地，S23中的改进的小波包分解算法，包括：
基于二进小波包变换，设置各级小波包分解时，相邻级数的尺度函数和小波函数之间具有递推关系，记小波包变换中的父小波为/>，母小波/>为/>，其中的上标表示该小波包所在的分解级数，下标表示该小波包在其级里的位置。
递推关系如下式（1）（2）所示：
（1）
（2）
化简可得：
（3）
（4）
其中，表示小波包，/>表示平移变量，且/> (整数集)，/>表示低通滤波器，定义为：/>，/>表示时刻，/>表示高通滤波器，。
进一步地，小波包分解算法使用的小波基为Symlets小波基，通常简称为SymN，其中N为小波分解的级数。能在一定程度上减少信号重构时产生的相位失真。SymN小波的支撑区间长度为2N-1，消失矩为N。
对每一段信号通过小波包分析使频域分辨率与时域分辨率相接近，其中频域分辨率会升高，时域分辨率随之降低。
具体地，通过将原始GRU (gated recurrent unit，门控制循环单元网络)单元中的矩阵乘法操作改进为卷积操作来保留一个时间步内的时频信息与不同传感器之间的空间关系，而GRU网络的前向传播过程决定了两个相邻时间步中上述特征的时序依赖关系。
从异常响应（时序数据中具有故障特征的响应序列）中提取得到的短期空间相关性与长期时序依赖都会更新至MCGRU网络单元中的隐藏状态。
通过更新不同层中网络单元的权重与偏置值来改进特征提取与学习过程。
将网络最终层中末端时间步的隐藏状态与诊断结果进行全连接操作，使用交叉熵损失函数确定每次前向传播过程中故障诊断的误差，通过反向传播来优化网络中的权重和偏置值。具体包括：输入层、多层卷积循环门控单元层、特征层、隐含与分类层。
在输入层中，传感器获取的时序信号长度由采样频率与监测时间确定。
由于传感器采样频率通常较高，故在时域上存在很多冗余信息。首先使用相同大小的时间窗口将各个传感器获取的信号进行切片，并对窗口内的信号使用小波包分析将时序信号转换为二维时频特征矩阵。
该做法降低时域分辨率并提升频域分辨率，减少信息时域冗余信息的同时增加了频域信息，使特征更具多样性。
S3、对多个传感器信号的频域特征信息进行拼接，得到高维特征张量，包括：
将同一时间步中的多个传感器的特征矩阵在深度维度进行拼接，得到三维特征矩阵。
其中，三维特征矩阵包括时域分辨率、频域分辨率以及传感器数量。
一种可行的实施方式中，将同一时间步中不同传感器的特征矩阵在深度维度进行拼接，最终得到一个维度为X×Y×D的三维特征矩阵，其中X、Y、D分别为时域分辨率、频域分辨率、传感器数量，这个三维特征矩阵代表了当前时间步，融合了不同传感器的时频域信号特征。
进一步地，由于不同传感器的采样频率与监测时间可能存在差异，为了确保不同传感器时频域信息维度的一致，使用0对缺少的部分进行填并假设没有关于填充部分的先验知识。
S4、根据高维特征张量以及马尔可夫算法门控循环单元MCGRU故障诊断模型，得到目标齿轮箱的故障类型。
一种可行的实施方式中，齿轮箱故障诊断模型是通过时序传感器数据集对深度学习神经网络进行训练确定的；深度学习神经网络包括依次连接的卷积神经网络和长短期记忆网络；时序传感器数据集中样本数据包括多通道输入信号和多通道输入信号对应的状态类型，状态类型包括正常运行状态和故障状态，其中齿轮箱故障包括太阳轮、行星轮、齿圈，采样频率为20480Hz，且发电机以三角接的形式连接电阻箱。
进一步地，卷积神经网络包括依次连接的第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层和第三池化层。
深度学习神经网络还包括依次连接的展平层、全连接层和输出层，长短期记忆网络的输出连接展平层的输入。
进一步地，深度学习神经网络的训练过程可以包括：
S41、基于时序齿轮箱数据集，采用Adam优化器更新深度学习神经网络的参数。
S42、采用交叉熵损失函数作为训练中的损失函数。
S43、以多通道输入信号为输入，多通道输入信号对应的状态类型为输出训练深度学习神经网络。
S44、将训练好的深度学习神经网络作为齿轮箱故障诊断模型。
每个特征矩阵依次作为MCGRU的输入，以学习每个时间步中的短期空间相关性以及不同时间步间的长期时序相关性。MCGRU一层中单元的数量等于L/(X×Y)。
传统循环门控单元在输入到状态和状态到状态的转换中使用完全连接将数据拼接为一维向量，导致处理多维数据时导致丢失了空间信息。为了解决上述问题，每个时间步输入的数据，细胞单元候选隐藏状态/>，隐藏状态/>与MCGRU中的门控单元/>，/>是三维张量而不是一维向量，其中前两个维度分别代表时频特征的时域分辨率与频域分辨率。
门控单元的计算过程中使用卷积操作来替换直接连接操作，故每个门中的卷积操作融合了高维数据并将高维特征更新至MCGRU单元中的隐藏状态。划分出的每个时间步的长度越长，则三维特征矩阵中可以存储更多具有短期相关性的信息。
MCGRU中的重置门与更新门通过其本地临域单元的输入和过去状态来确定当前候选隐藏状态，并使用该候选状态对当前隐藏状态进行更新，更新方程如下式（5）-（8）所示：
（5）
（6）
（7）
（8）
其中，表示重置门输出，/>表示时刻，/>表示激活函数，/>表示当前/>时刻输入数据，/>、/>、/>、/>、/>、/>表示权重矩阵，矩阵中的权重与偏置值在每次迭代中都会被更新，/>、/>、/>示偏置，/>表示更新门输出，/>表示候选隐藏状态，/>表示双曲正切激活函数，/>表示前一个时刻/>输出的隐藏单元信息，/>表示卷积算子，/>表示哈达马Hadamard乘积，/>表示隐藏状态。
如果将每个隐含状态视为揭示时序信号异常点的某种表示，则具有较大卷积核的MCGRU应该能够捕获时频变化较大的特征，而具有较小卷积核的网络能够捕获时频变化较小的特征。
随着网络网络层数的增加，下层隐含状态作为高层的输入进行纵向传播时，使用池化操作对特征进行更高层次的提取，并降低维度。
并且在更高层次的卷积操作中，卷积核的大小会随着特征的维度自适应调整，故不同的网络层次可以获得不同层次的特征信息。
整个过程可以视为，相同维度的隐含特征在循环神经网络中横向传播，并且每个时间步上都存在一个纵向的卷积神经网络，该卷积神经网络使用低层循环神经网络输出的隐藏状态作为输入，卷积操作后的中间特征作为下一时间步中循环神经网络的输入，池化并激活后的特征作为下一层卷积神经网络的输入。
传统卷积神经网络搭配循环神经网络的故障诊断模型中，利用CNN（Convolutional Neural Network，卷积神经网络）作为特征提取器，图像或是信号拼接而成的矩阵中提取空间特征关系。但由于传统循环神经网络只能够处理1D向量，如图2-3所示。故需要将提取获得的2D空间特征矩阵进行拼接转换为1D空间特征向量。
与传统的CNN-RNN（Recurrent Neural Network，循环神经网络）网络相结合的方法相比，将CNN集成至GRU网络中得到MCGRU网络，如图4所示。从而可以创建一个3D特征空间，包括2D时频特征和1D传感器空间特征，如图5所示。
MCGRU单元可以同时从3D输入中提取多传感器融合后的时频特征并捕获时频特征在时序上的长期依赖。MCGRU网络的最高层中末端时间步的隐藏状态包含了所有时间步中多传感器融合后的时频信息，如图6所示。
将该最终状态通过两层全连接层将状态特征连接至训练数据的标签。将全连接层的输出经过softmax操作得到预测分布。使用交叉熵来衡量对于同一个随机变量的真实分布与预测分布之间的差异，且交叉熵的值越小表示两个分布越接近。
交叉熵公式如下：
（9）
其中表示事件可能发生的情况总数。
显然使用来描述样本不如/>准确，/>需要不断地学习来拟合准确的分布/>。
从公式得知，交叉熵关注的是正确类别的预测概率。
分类问题中，模型的输出空间是概率分布，但目标输出空间是样例的类别，也就是说本发明最终目标是获得正确的类别。
交叉熵是假设模型分布为多项式分布时，模型分布的负条件对数似然。
举例来说，（1）数据采集。
本实施例实验采集了行星齿轮箱正常情况及齿轮故障情况下的振动信号对本发明基于多层卷积门控循环单元网络的多传感器齿轮箱故障诊断方法进行验证。
实验中齿轮箱作为增速器使用。
故障类型：正常情况行星齿轮箱
齿轮故障：太阳轮、行星轮、齿圈。
采样频率：20480Hz发电机以三角接的形式连接电阻箱。
齿轮配置参数如下表1：
表1
（括号中是行星轮数）
CH1通道中垂直方向的振动信号采集点如下表2：
表2
不同工况下的采集情况如表3所示：
表3
正弦转速曲线的函数形式为：
（10）
其中的表示曲线三角函数段的中间频率，默认值为8.5Hz(变频器频率)。
（11）
其中的表示曲线三角函数段的中间频率，默认值为4，8，10Hz(变频器频率)。
（2）多通道输入信号构建。
将信号通过如图7所示方式进行分段采样。
使用小波包分解对时序信号提取频域信息，并在深度维度将信号进行拼接。
相对以往的单通道输入，三通道输入更能有效挖掘传感器数据的隐藏信息。
（3）不同诊断模型对比实验。
本发明将多通道输入信号分别输入的齿轮箱故障诊断模型与传统卷积神经网络诊断方法进行对比分析，对比方法主要包括CNN、GRU、1D-CNN、CNN-GRU。
从图7中可以直观的看出，本发明所提的基于多层卷积门控循环单元网络的多传感器齿轮箱故障诊断模型在诊断精度上更高，错误分类的数目最少，验证了本发明方法的有效性和泛化性。
为了直观地展现基于多层卷积门控循环单元网络的多传感器齿轮箱故障诊断模型各层中的特征学习能力。
利用主成分分析与UMAP（Uniform Manifold Approximation and Projection，统一流形逼近与投影）两种降维方式将模型中各层所学习的高维特征降到二维空间进行可视化，如图8所示。
图8中可以看出经过多层卷积门控单元层后各状态之间聚在一起，有更加明显的可分性，类与类之间距离较大，各种状态之间是完全可分的。
本发明实施例中，所建立的齿轮箱故障诊断模型具有较强的特征学习能力，随着网络层数的增加能够逐渐区分多种状态，具有较强的故障诊断能力。
如图9所示，本发明实施例提供了一种基于多层卷积门控循环单元的齿轮箱故障诊断装置900，该装置900应用于实现基于多层卷积门控循环单元的齿轮箱故障诊断方法，该装置900包括：
获取模块910，用于获取目标齿轮箱的多个传感器信号。
特征提取模块920，用于根据多个传感器信号以及改进的小波包分解算法，得到多个传感器信号的频域特征信息。
拼接模块930，用于对多个传感器信号的频域特征信息进行拼接，得到高维特征张量。
输出模块940，用于根据高维特征张量以及马尔可夫算法门控循环单元MCGRU故障诊断模型，得到目标齿轮箱的故障类型。
可选地，特征提取模块920，进一步用于：
S21、对多个传感器信号中的每个传感器信号进行等距划分。
S22、根据划分后的传感器信号，确定最优的信号分解路径。
S23、根据最优的信号分解路径以及改进的小波包分解算法，对划分后的每一段传感器信号进行小波包分解，得到多个传感器信号的频域特征信息。
可选地，特征提取模块920，进一步用于：
对划分后的每一段传感器信号的低频子带以及高频子带进行分解，对分解后的低频子带以及高频子带进行最小化代价函数，计算得到最优的信号分解路径。
可选地，改进的小波包分解算法，包括：
基于二进小波包变换，设置各级小波包分解时，相邻级数的尺度函数和小波函数之间具有递推关系。
可选地，递推关系，如下式（1）（2）所示：
（1）
（2）
其中，表示小波包，/>表示平移变量，/>表示低通滤波器，/>表示时刻，/>表示高通滤波器。
可选地，改进的小波包分解算法采用Symlets小波基。
可选地，拼接模块930，进一步用于：
将同一时间步中的多个传感器的特征矩阵在深度维度进行拼接，得到三维特征矩阵。
其中，三维特征矩阵包括时域分辨率、频域分辨率以及传感器数量。
可选地，马尔可夫算法门控循环单元MCGRU故障诊断模型，包括第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、长短期记忆网络、展平层、全连接层和输出层。
可选地， MCGRU故障诊断模型的重置门与更新门通过本地临域单元的输入和过去状态确定当前候选隐藏状态，并使用当前候选隐藏状态对当前隐藏状态进行更新，更新方程如下式（3）-（6）所示：
（3）
（4）/>
（5）
（6）
其中，表示重置门输出，/>表示时刻，/>表示激活函数，/>表示当前/>时刻输入数据，/>、/>、/>、/>、/>、/>表示权重矩阵，/>、/>、/>表示偏置，/>表示更新门输出，/>表示候选隐藏状态，/>表示双曲正切激活函数，/>表示前一个时刻输出的隐藏单元信息，/>表示卷积算子，/>表示哈达马Hadamard乘积，/>表示隐藏状态。
本发明实施例中，所建立的齿轮箱故障诊断模型具有较强的特征学习能力，随着网络层数的增加能够逐渐区分多种状态，具有较强的故障诊断能力。
图10是本发明实施例提供的一种电子设备1000的结构示意图，该电子设备1000可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器（centralprocessing units，CPU）1001和一个或一个以上的存储器1002，其中，存储器1002中存储有至少一条指令，至少一条指令由处理器1001加载并执行以实现下述基于多层卷积门控循环单元的齿轮箱故障诊断方法：
S1、获取目标齿轮箱的多个传感器信号。
S2、根据多个传感器信号以及改进的小波包分解算法，得到多个传感器信号的频域特征信息。
S3、对多个传感器信号的频域特征信息进行拼接，得到高维特征张量。
S4、根据高维特征张量以及马尔可夫算法门控循环单元MCGRU故障诊断模型，得到目标齿轮箱的故障类型。
在示例性实施例中，还提供了一种计算机可读存储介质，例如包括指令的存储器，上述指令可由终端中的处理器执行以完成上述基于多层卷积门控循环单元的齿轮箱故障诊断方法。例如，计算机可读存储介质可以是ROM、随机存取存储器（RAM）、CD-ROM、磁带、软盘和光数据存储设备等。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上所述仅为本发明的较佳实施例，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、改进等，均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于多层卷积门控循环单元的齿轮箱故障诊断方法，其特征在于，所述方法包括：
S1、获取目标齿轮箱的多个传感器信号；
S2、根据所述多个传感器信号以及改进的小波包分解算法，得到多个传感器信号的频域特征信息；
S3、对所述多个传感器信号的频域特征信息进行拼接，得到高维特征张量；
S4、根据所述高维特征张量以及马尔可夫算法门控循环单元MCGRU故障诊断模型，得到所述目标齿轮箱的故障类型；
所述S2中的根据所述多个传感器信号以及改进的小波包分解算法，得到多个传感器信号的频域特征信息，包括：
S21、对所述多个传感器信号中的每个传感器信号进行等距划分；
S22、根据划分后的传感器信号，确定最优的信号分解路径；
S23、根据所述最优的信号分解路径以及改进的小波包分解算法，对划分后的每一段传感器信号进行小波包分解，得到多个传感器信号的频域特征信息；
所述S22中的根据划分后的传感器信号，确定最优的信号分解路径，包括：
对划分后的每一段传感器信号的低频子带以及高频子带进行分解，对分解后的低频子带以及高频子带进行最小化代价函数，计算得到最优的信号分解路径；
所述S23中的改进的小波包分解算法，包括：
基于二进小波包变换，设置各级小波包分解时，相邻级数的尺度函数和小波函数之间具有递推关系；
所述递推关系，如下式（1）（2）所示：
（1）
（2）
其中，表示小波包，/>表示平移变量，/>表示低通滤波器，/>表示时刻，/>表示高通滤波器。
2.根据权利要求1所述的方法，其特征在于，所述S23中的改进的小波包分解算法采用Symlets小波基。
3.根据权利要求1所述的方法，其特征在于，所述S3中的对所述多个传感器信号的频域特征信息进行拼接，得到高维特征张量，包括：
将同一时间步中的多个传感器的特征矩阵在深度维度进行拼接，得到三维特征矩阵；
其中，所述三维特征矩阵包括时域分辨率、频域分辨率以及传感器数量。
4.根据权利要求1所述的方法，其特征在于，所述S4中的马尔可夫算法门控循环单元MCGRU故障诊断模型，包括第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、长短期记忆网络、展平层、全连接层和输出层。
5.根据权利要求1所述的方法，其特征在于，所述S4中的MCGRU故障诊断模型的重置门与更新门通过本地临域单元的输入和过去状态确定当前候选隐藏状态，并使用所述当前候选隐藏状态对当前隐藏状态进行更新，更新方程如下式（3）-（6）所示：
（3）
（4）
（5）
（6）
其中，表示重置门输出，/>表示时刻，/>表示激活函数，/>表示当前/>时刻输入数据，/>、/>、/>、/>、/>、/>表示权重矩阵，/>、/>、/>表示偏置，/>表示更新门输出，/>表示候选隐藏状态，/>表示双曲正切激活函数，/>表示前一个时刻/>输出的隐藏单元信息，/>表示卷积算子，/>表示哈达马Hadamard乘积，/>表示隐藏状态。
6.一种基于多层卷积门控循环单元的齿轮箱故障诊断装置，其特征在于，所述装置包括：
获取模块，用于获取目标齿轮箱的多个传感器信号；
特征提取模块，用于根据所述多个传感器信号以及改进的小波包分解算法，得到多个传感器信号的频域特征信息；
拼接模块，用于对所述多个传感器信号的频域特征信息进行拼接，得到高维特征张量；
输出模块，用于根据所述高维特征张量以及马尔可夫算法门控循环单元MCGRU故障诊断模型，得到所述目标齿轮箱的故障类型；
所述根据所述多个传感器信号以及改进的小波包分解算法，得到多个传感器信号的频域特征信息，包括：
S21、对所述多个传感器信号中的每个传感器信号进行等距划分；
S22、根据划分后的传感器信号，确定最优的信号分解路径；
S23、根据所述最优的信号分解路径以及改进的小波包分解算法，对划分后的每一段传感器信号进行小波包分解，得到多个传感器信号的频域特征信息；
所述S22中的根据划分后的传感器信号，确定最优的信号分解路径，包括：
对划分后的每一段传感器信号的低频子带以及高频子带进行分解，对分解后的低频子带以及高频子带进行最小化代价函数，计算得到最优的信号分解路径；
所述S23中的改进的小波包分解算法，包括：
基于二进小波包变换，设置各级小波包分解时，相邻级数的尺度函数和小波函数之间具有递推关系；
所述递推关系，如下式（1）（2）所示：
（1）
（2）
其中，表示小波包，/>表示平移变量，/>表示低通滤波器，/>表示时刻，/>表示高通滤波器。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311477703.9A CN117195105B (zh) | 2023-11-08 | 2023-11-08 | 基于多层卷积门控循环单元的齿轮箱故障诊断方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311477703.9A CN117195105B (zh) | 2023-11-08 | 2023-11-08 | 基于多层卷积门控循环单元的齿轮箱故障诊断方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117195105A CN117195105A (zh) | 2023-12-08 |
| CN117195105B true CN117195105B (zh) | 2024-03-19 |
Family
ID=88989165
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311477703.9A Active CN117195105B (zh) | 2023-11-08 | 2023-11-08 | 基于多层卷积门控循环单元的齿轮箱故障诊断方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117195105B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114118282A (zh) * | 2021-12-01 | 2022-03-01 | 盐城工学院 | 一种基于注意力机制和卷积门控循环单元模型的轴承故障诊断方法 |
| CN116010900A (zh) * | 2023-01-06 | 2023-04-25 | 江南大学 | 基于自注意力机制的多尺度特征融合齿轮箱故障诊断方法 |
| CN116164880A (zh) * | 2022-12-16 | 2023-05-26 | 重庆邮电大学 | 基于cnn-gru神经网络的压力传感器故障检测方法 |
| CN116467652A (zh) * | 2023-03-28 | 2023-07-21 | 江西科骏实业有限公司 | 一种基于卷积降噪自编码器的轴承故障预测方法及系统 |
| CN116610940A (zh) * | 2022-12-22 | 2023-08-18 | 浙江大学 | 一种基于小波变换与深度神经网络的装备故障诊断系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3975053A1 (en) * | 2020-09-24 | 2022-03-30 | Robert Bosch GmbH | Forecasting with deep state space models |
-
2023
- 2023-11-08 CN CN202311477703.9A patent/CN117195105B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114118282A (zh) * | 2021-12-01 | 2022-03-01 | 盐城工学院 | 一种基于注意力机制和卷积门控循环单元模型的轴承故障诊断方法 |
| CN116164880A (zh) * | 2022-12-16 | 2023-05-26 | 重庆邮电大学 | 基于cnn-gru神经网络的压力传感器故障检测方法 |
| CN116610940A (zh) * | 2022-12-22 | 2023-08-18 | 浙江大学 | 一种基于小波变换与深度神经网络的装备故障诊断系统 |
| CN116010900A (zh) * | 2023-01-06 | 2023-04-25 | 江南大学 | 基于自注意力机制的多尺度特征融合齿轮箱故障诊断方法 |
| CN116467652A (zh) * | 2023-03-28 | 2023-07-21 | 江西科骏实业有限公司 | 一种基于卷积降噪自编码器的轴承故障预测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117195105A (zh) | 2023-12-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110909046B (zh) | 时间序列的异常检测方法及装置、电子设备、存储介质 | |
| JP6740247B2 (ja) | 異常検出システム、異常検出方法、異常検出プログラム及び学習済モデル生成方法 | |
| Yen et al. | Wavelet packet feature extraction for vibration monitoring | |
| Chen et al. | A sparse multivariate time series model-based fault detection method for gearboxes under variable speed condition | |
| CN112036042B (zh) | 一种基于变分模态分解的动力设备异常检测方法及系统 | |
| CN113673346A (zh) | 一种基于多尺度SE-Resnet的电机振动数据处理与状态识别方法 | |
| Zhou et al. | Bearing performance degradation assessment using lifting wavelet packet symbolic entropy and SVDD | |
| CN116680623B (zh) | 特高压换流变压器状态监测方法及系统 | |
| CN115640159A (zh) | 一种微服务故障诊断方法及系统 | |
| Zhao et al. | A novel deep fuzzy clustering neural network model and its application in rolling bearing fault recognition | |
| CN116012681A (zh) | 基于声振信号融合的管道机器人电机故障诊断方法及系统 | |
| CN116223020A (zh) | 基于Li-MDCCAN的齿轮箱智能故障诊断方法 | |
| Qu et al. | An intermittent fault diagnosis method of analog circuits based on variational modal decomposition and adaptive dynamic density peak clustering | |
| WO2020061346A1 (en) | Methods and apparatuses for tracking weak signal traces | |
| CN117195105B (zh) | 基于多层卷积门控循环单元的齿轮箱故障诊断方法及装置 | |
| CN116647405B (zh) | 一种多路径quic异常流量检测方法、系统及设备 | |
| CN115356599B (zh) | 一种多模态城市电网故障诊断方法及系统 | |
| CN116758922A (zh) | 一种用于变压器的声纹监测与诊断方法 | |
| Wang et al. | The methodological pitfall of dataset-driven research on deep learning: An IoT example | |
| US8438129B1 (en) | Probabilistic implementation of system health prognosis | |
| CN111914952B (zh) | 一种基于深度神经网络的ad特征参数筛选方法及系统 | |
| KR20230072920A (ko) | 오염된 IoT 데이터 환경에서 비지도 이상 감지 모델을 위한 반복적 학습 방법 및 장치 | |
| Hamdaoui et al. | Improved signal processing for bearing fault diagnosis in noisy environments using signal denoising, time–frequency transform, and deep learning | |
| CN114676717A (zh) | 轴承剩余寿命预测方法、装置和介质 | |
| 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 |