一种基于多任务深度学习的齿轮箱故障诊断方法技术

本发明专利技术的基于多任务深度学习的齿轮箱故障诊断方法，包括如下步骤：步骤1）获取齿轮箱不同转速与负载下齿轮和轴承故障的振动信号，对振动信号预处理求取频域信号；步骤2）构建多任务深度学习网络，并初始化网络模型参数，确定训练超参数；步骤3）将样本输入学习网络，通过前向传播求得网络输入与预期目标的误差，判断是否收敛或满足训练要求，若判断为收敛或满足训练要求则执行步骤5），否则执行步骤4）；步骤4）根据误差，使用反向传播算法更新网络权值，更新完成后使用下一批次的样本，重复执行步骤3）；步骤5）保存网络模型用于故障诊断。有益效果：该方法通过单独的任务层，能够从同一信号中自适应的提取不同目标的特征，并进行诊断。

【技术实现步骤摘要】
一种基于多任务深度学习的齿轮箱故障诊断方法
本专利技术属于故障诊断领域，特别涉及了一种基于多任务深度学习的齿轮箱故障诊断方法。
技术介绍
齿轮箱主要由齿轮、轴承、轴和箱体等重要零部件组成，具有结构紧凑、传动效率高、寿命长、工作可靠等特点，是航空、电力系统、汽车、工业机床等现代化工业中必不可少的通用部件。但是由于齿轮箱的结构复杂，并且通常在恶劣的环境下持续高速运转，很容易发生故障，因此齿轮箱的故障是诱发机器故障的重要因素。齿轮和轴承作为齿轮箱的两个重要零件，极易因疲劳磨损出现局部故障，导致齿轮箱运行的异常，轻则机器中断，造成经济损失，重则机毁人亡。因此研究高效的齿轮箱状态监测与故障识别技术，对保障生产安全，预防和避免重大事故发生有着重要的意义。
技术实现思路
本专利技术的目的是克服上述
技术介绍
的不足，提供一种基于多任务深度学习的齿轮箱故障诊断方法，为了实现上述技术目的，本专利技术的技术方案为：所述基于多任务深度学习的齿轮箱故障诊断方法，包括如下步骤：步骤1)获取齿轮箱不同转速与负载下齿轮和轴承故障的振动信号，对所述振动信号预处理，进行快速傅里叶变换，求取对应的频域信号，作为网络输入；步骤2本文档来自技高网...

【技术保护点】
1.一种基于多任务深度学习的齿轮箱故障诊断方法，其特征在于包括如下步骤：步骤1)获取齿轮箱不同转速与负载下齿轮和轴承故障的振动信号，对所述振动信号预处理，进行快速傅里叶变换，求取对应的频域信号，作为网络输入；步骤2)构建多任务深度学习网络，并初始化网络模型参数，确定训练超参数；步骤3)将样本输入所述学习网络，通过前向传播求得网络输入与预期目标的误差，判断是否收敛或满足训练要求，若判断为收敛或满足训练要求则执行步骤5)，否则执行步骤4)；步骤4)根据所述误差，使用反向传播算法更新网络权值，更新完成后，使用下一批次的样本，重复执行步骤3)；步骤5)保存网络模型用于故障诊断。

【技术特征摘要】
1.一种基于多任务深度学习的齿轮箱故障诊断方法，其特征在于包括如下步骤：步骤1)获取齿轮箱不同转速与负载下齿轮和轴承故障的振动信号，对所述振动信号预处理，进行快速傅里叶变换，求取对应的频域信号，作为网络输入；步骤2)构建多任务深度学习网络，并初始化网络模型参数，确定训练超参数；步骤3)将样本输入所述学习网络，通过前向传播求得网络输入与预期目标的误差，判断是否收敛或满足训练要求，若判断为收敛或满足训练要求则执行步骤5)，否则执行步骤4)；步骤4)根据所述误差，使用反向传播算法更新网络权值，更新完成后，使用下一批次的样本，重复执行步骤3)；步骤5)保存网络模型用于故障诊断。2.根据权利要求1所述的基于多任务深度学习的齿轮箱故障诊断方法，其特征在于所述步骤2)的多任务深度学习网络包括一维卷积层、池化层、全连接层以及分类层构。3.根据权利要求2所述的基于多任务深度学习的齿轮箱故障诊断方法，其特征在于所述卷积层上的一个卷积核用于检测输入信号所有位置上的特定特征，实现对同一输入信号的权值共享，卷积层进行卷积的一般形式如公式(1)：式中，表示在第i层第j个特征图上第y个位置的值，可通过上一层的一维向量和一维...

【专利技术属性】
技术研发人员：赵晓平，吴家新，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：江苏,32