一种多尺度深度卷积神经网络行星齿轮箱故障诊断方法技术

本发明专利技术涉及一种多尺度深度卷积神经网络行星齿轮箱故障诊断方法，其步骤：采集行星齿轮箱在正常运行状态、齿面磨损、行星轮断齿及滚动体轴承缺失四种状态下的原始振动信号；对每一组原始振动信号都进行点数分割，构建样本数据集；利用多尺度一维深度卷积网络进行故障诊断。本发明专利技术可以构建出特征提取与故障诊断为一体的智能诊断网络，可以节约大量的人工操作，并且具有诊断精度高，鲁棒性强的特点。

【技术实现步骤摘要】
一种多尺度深度卷积神经网络行星齿轮箱故障诊断方法
本专利技术涉及一种机械故障诊断
，特别是关于一种多尺度深度卷积神经网络行星齿轮箱故障诊断方法。
技术介绍
行星齿轮箱是各种机械设备转速、转矩以及所属动力源的负载的关键，被广泛应用于风力发电机组，航空设备，工程机械设备中。在低速重载的恶劣工作环境中，太阳轮、行星架、行星轮易出现磨损或疲劳裂纹等故障。因此针对行星齿轮箱的故障诊断方法研究，对于提高设备的可靠性以及经济效益具有重要意义。面对现今大多数传统诊断方法割裂了故障特征提取与诊断识别两部分，在信号特征处理中仍旧需要大量的专家经验较为依赖人工，且人工提取特征的能力较为有限，与此同时传统机器学习的模型较为浅显其泛化能力较低，在多工况情况下分类器表现并不理想。因此，提出一种从特征提取到模式诊断为一体，具有足够特征提取能力，且具有泛化能力的故障诊断模型十分必要。
技术实现思路
针对上述问题，本专利技术的目的是提供一种多尺度深度卷积神经网络行星齿轮箱故障诊断方法，该方法可以构建出特征提取与故障诊断为一体的智能诊断网络，可以节约大量的人工操作，并且具有诊断精度高，鲁棒性强的特点。为实现上述目的，本专利技术采取以下技术方案：一种多尺度深度卷积神经网络行星齿轮箱故障诊断方法，其包括以下步骤：S1、采集行星齿轮箱在正常运行状态、齿面磨损、行星轮断齿及滚动体轴承缺失四种状态下的原始振动信号xw＝{x0,…,xN}；其中，N代表每组数据点数，w代表数据组别，w＝1、2、3、4，分别代表正常运行状态、齿面磨损，行星轮断齿及滚动体轴承缺失四种状态；S2、对每一组原始振动信号都进行点数分割，构建样本数据集；S3、利用多尺度一维深度卷积网络进行故障诊断。进一步，对所述每一组原始振动信号构建样本数据集的方法包括以下步骤：S21、根据数据点数N设定窗口滑动步长s、窗口长度l，生成样本个数为t，样本di＝{x0,…xl}，i＝1,2,3,…,t，数据集M＝{d1,d2,…dt}；S22、设定数据集中测试集与训练集的比例r，则训练集Ma样本数a＝t·r，测试集Mb样本数b＝t·(1-r)。进一步，所述故障诊断过程包括以下步骤：S31、一维原始振动信号训练集Ma经网络内部参数初始化后，输入三组不同尺度一维深度卷积网络I1,I2,I3的模型进行训练，若训练完成则确定参数，并完成训练网络，反之进行使用反向传播不断更新参数直到训练到达迭代次数完成训练；S32、使用测试集Mb对三组网络I1,I2,I3进行测试，对比三组网络的诊断准确率，选取诊断准确率最优的一组网络为最优诊断网络；S33、实时获取实际运行中步骤S1中的行星齿轮箱的原始故障原始信号，传输至步骤S32中的最优诊断网络中，得到当前行星齿轮箱的故障诊断结果。进一步，所述三组不同尺度一维深度卷积网络I1,I2,I3的模型的构建方法为：(1)构建多个具有不同卷积核尺寸的特征提取层Lj：(2)使用不同编号特征提取层构建具有三组不同尺度一维深度卷积网络I1,I2,I3的模型。进一步，所述特征提取层Lj为：式中，分别为通道一、通道二、通道三的一维卷积核，用于特征提取；n1,n2,n3分别为三个通道的一维卷积核的尺寸数值；j＝1,2,3，j为特征提取层的编号。进一步，所述网络结构由三个通道组成，每个通道都包含特征提取层、特征处理层、特征合并层、全连接层和Softmax分类器。进一步，所述特征提取层Lj使用三个通道的一维卷积核进行多尺寸提取，一维原始振动信号经过的卷积核操作后分别输出特征进一步，所述特征处理层中，通道一为一维卷积核叠加通道，通道二为最大池化层与一维卷积核叠加通道，通道三为均值池化层与一维卷积池化叠加通道。进一步，所述通道一使用两个尺寸的一维卷积核对进行卷积操作输出特征所述通道二使用最大池化层对特征进行最大池化操作后，再使用尺寸为的一维卷积核进行卷积，操作输出特征所述通道三使用均值池化层对特征进行均值池化操作，再使用尺寸为的一维卷积核进行卷积操作输出特征yp3。进一步，所述特征合并层由全球均值池化层和Dropout层构成；将所述特征处理层输出的特征合并后，经过全球均值池化层和Dropout操作，输入到全连接层；由全连接层处理后输出特征值ygf，并将全连接层输出的特征值ygf输入到Softmax分类器中计算得到各个故障类型的概率分布，最大概率对应故障类别作为诊断结果输出诊断准确率。本专利技术由于采取以上技术方案，其具有以下优点：1、本专利技术的多尺度一维卷积深度网络相较于传统神经网络对特征的提取能力更强，可以给模型更为全面的故障特征认知。2、本专利技术的多尺度一维卷积网络相较于一维卷积神经网络具有较高的诊断精度与鲁棒性，可以实现对于行星齿轮箱的故障诊断。3、本专利技术的网络是特征提取与故障诊断为一体的智能诊断网络，节省了大量的人力物力资源提高了经济性效益。附图说明图1是本专利技术方法的整体流程示意图；图2是本专利技术多尺度一维卷积网络结构示意图。具体实施方式下面结合附图和实施例对本专利技术进行详细的描述。如图1所示，本专利技术提供一种多尺度深度卷积神经网络行星齿轮箱故障诊断方法，其包括以下步骤：S1、采集行星齿轮箱在正常运行状态、齿面磨损、行星轮断齿及滚动体轴承缺失四种状态下的原始振动信号xw＝{x0,…,xN}，其中，N代表每组数据点数，w代表数据组别，w＝1、2、3、4，分别代表正常运行状态、齿面磨损，行星轮断齿及滚动体轴承缺失四种状态。S2、对每一组原始振动信号都进行点数分割，构建样本数据集；以xw中的其中一组信号x1为例，对x1进行点数分割构建样本数据集，具体步骤如下：S21、根据数据点数N设定窗口滑动步长s、窗口长度l，生成样本个数为t。样本di＝{x0,…xl}，i＝1,2,3,…,t。数据集M＝{d1,d2,…dt}；S22、设定数据集中测试集与训练集的比例r，则训练集Ma样本数a＝t·r，测试集Mb样本数b＝t·(1-r)；在本实施例中，优选比例r＝0.3。S3、利用多尺度一维深度卷积网络进行故障诊断，其具体步骤如下：S31、一维原始振动信号训练集Ma经网络内部参数初始化后，输入三组不同尺度一维深度卷积网络I1,I2,I3的模型进行训练，若训练完成则确定参数，并完成训练网络，反之进行使用反向传播不断更新参数直到训练到达迭代次数完成训练。网络内部参数初始化包括设定学习率、迭代次数、激活函数等。其中，三组不同尺度一维深度卷积网络I1,I2,I3的模型的构建方法为：(1)构建多个具有不同卷积核尺寸的特征提取层Lj：式中，分别为通道一、通道二、通道三的一维卷积核，用于特征提取；n1,n2,n3分别为三个通道的一维卷积核的尺寸数值；j＝1,2,3，j为特征提取层的编号。(2)使用不同编号特征提取层构建具有三组不同尺度一维深度本文档来自技高网...

【技术保护点】
1.一种多尺度深度卷积神经网络行星齿轮箱故障诊断方法，其特征在于包括以下步骤：/nS1、采集行星齿轮箱在正常运行状态、齿面磨损、行星轮断齿及滚动体轴承缺失四种状态下的原始振动信号x

【技术特征摘要】
1.一种多尺度深度卷积神经网络行星齿轮箱故障诊断方法，其特征在于包括以下步骤：
S1、采集行星齿轮箱在正常运行状态、齿面磨损、行星轮断齿及滚动体轴承缺失四种状态下的原始振动信号xw＝{x0,...,xN}；其中，N代表每组数据点数，w代表数据组别，w＝1、2、3、4，分别代表正常运行状态、齿面磨损，行星轮断齿及滚动体轴承缺失四种状态；
S2、对每一组原始振动信号都进行点数分割，构建样本数据集；
S3、利用多尺度一维深度卷积网络进行故障诊断。


2.如权利要求1所述故障诊断方法，其特征在于，对所述每一组原始振动信号构建样本数据集的方法包括以下步骤：
S21、根据数据点数N设定窗口滑动步长s、窗口长度l，生成样本个数为t，样本di＝{x0,…xl}，i＝1,2,3,…,t，数据集M＝{d1,d2,…dt}；
S22、设定数据集中测试集与训练集的比例r，则训练集Ma样本数a＝t·r，测试集Mb样本数b＝t·(1-r)。


3.如权利要求2所述故障诊断方法，其特征在于，所述故障诊断过程包括以下步骤：
S31、一维原始振动信号训练集Ma经网络内部参数初始化后，输入三组不同尺度一维深度卷积网络I1,I2,I3的模型进行训练，若训练完成则确定参数，并完成训练网络，反之进行使用反向传播不断更新参数直到训练到达迭代次数完成训练；
S32、使用测试集Mb对三组网络I1,I2,I3进行测试，对比三组网络的诊断准确率，选取诊断准确率最优的一组网络为最优诊断网络；
S33、实时获取实际运行中步骤S1中的行星齿轮箱的原始故障原始信号，传输至步骤S32中的最优诊断网络中，得到当前行星齿轮箱的故障诊断结果。


4.如权利要求3所述故障诊断方法，其特征在于，所述三组不同尺度一维深度卷积网络I1,I2,I3的模型的构建方法为：
(1)构建多个具有不同卷积...

【专利技术属性】
技术研发人员：刘秀丽，徐小力，吴国新，蒋章雷，卞景艺，
申请(专利权)人：北京信息科技大学，
类型：发明
国别省市：北京;11