一种用于行星齿轮故障诊断的新型深度特征学习方法技术

本发明专利技术公开了一种用于行星齿轮故障诊断的新型深度特征学习方法，包括以下步骤：步骤a、利用振动传感器检测机电装备行星齿轮箱运行过程中所产生的原始振动信号；步骤b、在自动编码机损失函数基础上引入稀疏性惩罚项和收缩性限制项；步骤c、利用量子蚁群优化算法对深度学习架构中每个稀疏自动编码机和收缩自动编码机的具体位置和关键参数进行优化；步骤d、以所采集的行星齿轮箱原始振动信号为新型深度学习架构的输入，确定深度学习架构的初始深度和每层的初始宽度。本发明专利技术提供的一种用于行星齿轮故障诊断的新型深度特征学习方法，能够将数据学习能力和特征提取鲁棒性同时发挥到最优，可主动调整深度学习架构中稀疏自动编码机和收缩自动编码机的位置。

【技术实现步骤摘要】
一种用于行星齿轮故障诊断的新型深度特征学习方法
本专利技术具体涉及一种用于行星齿轮故障诊断的新型深度特征学习方法，属于机电装备中行星齿轮故障诊断

技术介绍
随着科学和工业技术的迅速发展，机电设备向高效、安全、可靠和智能化发展。由于行星齿轮的优点，它已成为机电装备传动系统的关键部件。然而，行星齿轮通常在恶劣的条件下工作，经常发生故障，直接影响机电装备传动效率，甚至导致灾难性事故发生。因此，有必要对行星齿轮进行状态监测和诊断分析。行星齿轮是一个非线性系统，由太阳轮，行星轮和内齿圈组成。同时，行星轮不仅自转而且公转，因此，行星齿轮的振动信号受到行星架“通道效应”影响。另外，振动传感器的安装位置通常是固定的，轮齿啮合到振动传感器安装位置的传递路径是时变的。这些因素导致行星齿轮的产生的振动信号具有更强的非线性，非平稳性和强耦合性，与定轴齿轮箱产生的振动信号相比更加复杂。目前，传统的行星齿轮故障诊断方法存在一些缺点，主要体现在以下几个方面：(1)传统的故障诊断方法需要采用相关的信号处理算法人工提取故障特征，特征提取更多地依赖于人的参与和经验，缺乏自动化；(2)所设计的人工故障特征提取方法是根据信号特征预先特别设计的，而不是通过主动学习数据来获取故障特征，这对于不同对象和不同工作条件来说不具有好的普适性；(3)基于神经网络的故障诊断识别方法一般只具有浅层结构，但浅层结构限制了非线性特征的学习能力，神经网络的优势不能够充分发挥。一般来说，这些方法需要过多的人工参与，并且依赖于复杂的信号处理技术。特征提取过程缺乏主动性，无法从原始数据中直接学习有效特征。针对存在的问题，深度学习提供了一种有效的方法。它基于深度学习架构的底层直接从原始数据中学习具有抽象性和表达性的深层特征，并且在后一层的基础上学习更具抽象性和更具表达性的特征。最后，可以基于具有高度复杂的多层网络架构表达原始数据的深度特征。深度学习架构可以基于自动编码机或其改进模型进行构建，但是不同的改进模型具有自己的特点和关注点，并不能充分发挥深度学习在特征提取中的优势。因此，充分发挥不同改进模型的优势，深度研究深度学习在特征提取中的应用是实现和提高行星齿轮故障诊断效果的有效途径。
技术实现思路
本专利技术要解决的技术问题是，克服现有技术的局限性，提供一种能够将数据学习能力和特征提取鲁棒性同时发挥到最优，同时针对不同的训练样本和信号，可主动调整深度学习架构中稀疏自动编码机和收缩自动编码机的位置，更具有适应性的用于行星齿轮故障诊断的新型深度特征学习方法。为解决上述技术问题，本专利技术采用的技术方案为：一种用于行星齿轮故障诊断的新型深度特征学习方法，其特征在于：包括以下步骤：步骤a、布置安装振动传感器，利用振动传感器检测机电装备行星齿轮箱运行过程中所产生的原始振动信号，并利用数据采集卡实现振动信号采集获取；步骤b、基于自动编码机的基本结构，在自动编码机损失函数基础上引入稀疏性惩罚项，获得改进的稀疏自动编码机，在收缩自动编码机损失函数基础上引入收缩性限制项，获得改进的收缩自动编码机；步骤c、构建基于融合型堆栈自动编码机的新型深度学习架构，利用量子蚁群优化算法对深度学习架构中每个稀疏自动编码机和收缩自动编码机的具体位置和关键参数进行优化，确定深度学习架构中稀疏自动编码机和收缩自动编码机的合理位置和合理参数；步骤d、以所采集的行星齿轮箱原始振动信号为新型深度学习架构的输入，确定深度学习架构的初始深度和每层的初始宽度，选用贪婪逐层预训练结合随机梯度下降微调训练算法，以新型深度学习架构诊断识别率为优化目标，利用量子蚁群优化算法确定稀疏自动编码机和收缩自动编码机的具体位置。步骤a中，振动传感器选用IEPE振动传感器，布置安装方式采用螺钉紧固型式，数据采集卡采用24位高精度同步采集数据采集卡。步骤a中，原始振动信号包括正常行星齿轮、缺齿行星齿轮、点蚀行星齿轮、磨损行星齿轮、断齿行星齿轮和裂纹行星齿轮。步骤b中，稀疏自动编码机的损失函数，包括：针对训练样本中m神经元的第s个隐藏层的平均激活度：其中，x表示训练样本，第s个隐藏层中第j个神经元的激活值是稀疏惩罚项PN的表达式如下：其中，s2是隐藏神经元的数量，是KL散度，ρ是稀疏性参数；为训练样本中m神经元的第s个隐藏层的平均激活度：KL散度的数学表达式：稀疏自动编码机的稀疏损失函数为：其中，β是稀疏性惩罚项目的权重，L(x,y)是重建误差；通过最小化稀疏损失函数来实现稀疏自动编码机的训练：(W,b)SAE＝minJSAE，(W,b)代表通过最小化JSAE确定稀疏自动编码机结构中的参数值。步骤b中，收缩自动编码机的损失函数，包括：其中L(x,y)是重建误差，是收缩惩罚项，λ是惩罚参数，其作用是调整损失函数中收缩惩罚项的比例；收缩惩罚项的具体公式：其中Jf(x)是隐藏层输出权重的雅可比矩阵；hj(x)为第j个隐含神经元的编码函数、xi为第i个输入，通过最小化收缩成本函数来实现CAE的训练：(W,b)CAE＝minJCAE。步骤c中，量子蚁群算法的优化计算过程包括以下步骤：(1)量子编码和量子旋转门：假设蚂蚁种群的数量是n，针对蚂蚁种群进量子编码，每个蚂蚁所对应的量子态可用实数对(cosθ,sinθ)表示，并且θ是量子态的相位，假设单个Xi的量子位数是n，Xi可以表示如下：结合量子编码后，利用量子旋转门实现量子信息素在蚂蚁行进路径上的更新，公式如下：其中是量子旋转门处理前量子比特的概率幅度，是量子旋转门处理后量子比特的概率幅度；(2)量子编码和量子旋转门的基础上，所制定的蚂蚁转移规则和转移概率如下：从节点1到节点2的蚁群中第k个蚂蚁的蚂蚁转移规则：其中，q是在[0，1]内部均匀分布的随机值，q0是常数且0≤q0≤1，S是第k个蚂蚁到达节点i所有可能节点的集合；是根据以下公式选择的目标位置：其中，是第k个蚂蚁的转移概率，是在第t次迭代中从节点i到节点j的路径上的信息素浓度，α是信息素启发因子，是第t次迭代中从节点i到节点j的路径上的距离启发信息，其表达式是dij是节点i到节点j之间的距离，β是距离启发因子，是第t次迭代中从节点i到节点j的路径上的消耗启发信息，其表达式为Eij是从节点i到节点j的能量消耗，γ是能源消耗启发因子；(3)在以上基础上，所制定的信息素更新规则如下：每个蚂蚁移动后进行信息素的局部更新，并且当所有蚂蚁完成一次迭代时，进行所有蚂蚁的最佳路径的全局更新，信息素的局部更新规则：τ(pj)＝(1-ρ1)·τ(pi)+ρ1·Δτij，其中，pi为当前节点，pj为移动后的节点，τ(pj)是移动后节点的信息素浓度，τ(pi)是当前节点的信息素浓度，ρ1(0＜ρ1＜1)是信息素的局部更新挥发系数，Δτij是该迭代中移动路径中每只蚂蚁的信息素浓度，并且其表示为：其中，本文档来自技高网...

【技术保护点】
1.一种用于行星齿轮故障诊断的新型深度特征学习方法，其特征在于：包括以下步骤：/n步骤a、布置安装振动传感器，利用振动传感器检测机电装备行星齿轮箱运行过程中所产生的原始振动信号，并利用数据采集卡实现振动信号采集获取；/n步骤b、基于自动编码机的基本结构，在自动编码机损失函数基础上引入稀疏性惩罚项，获得改进的稀疏自动编码机，在收缩自动编码机损失函数基础上引入收缩性限制项，获得改进的收缩自动编码机；/n步骤c、构建基于融合型堆栈自动编码机的新型深度学习架构，利用量子蚁群优化算法对深度学习架构中每个稀疏自动编码机和收缩自动编码机的具体位置和关键参数进行优化，确定深度学习架构中稀疏自动编码机和收缩自动编码机的合理位置和合理参数；/n步骤d、以所采集的行星齿轮箱原始振动信号为新型深度学习架构的输入，确定深度学习架构的初始深度和每层的初始宽度，选用贪婪逐层预训练结合随机梯度下降微调训练算法，以新型深度学习架构诊断识别率为优化目标，利用量子蚁群优化算法确定稀疏自动编码机和收缩自动编码机的具体位置。/n

【技术特征摘要】
1.一种用于行星齿轮故障诊断的新型深度特征学习方法，其特征在于：包括以下步骤：
步骤a、布置安装振动传感器，利用振动传感器检测机电装备行星齿轮箱运行过程中所产生的原始振动信号，并利用数据采集卡实现振动信号采集获取；
步骤b、基于自动编码机的基本结构，在自动编码机损失函数基础上引入稀疏性惩罚项，获得改进的稀疏自动编码机，在收缩自动编码机损失函数基础上引入收缩性限制项，获得改进的收缩自动编码机；
步骤c、构建基于融合型堆栈自动编码机的新型深度学习架构，利用量子蚁群优化算法对深度学习架构中每个稀疏自动编码机和收缩自动编码机的具体位置和关键参数进行优化，确定深度学习架构中稀疏自动编码机和收缩自动编码机的合理位置和合理参数；
步骤d、以所采集的行星齿轮箱原始振动信号为新型深度学习架构的输入，确定深度学习架构的初始深度和每层的初始宽度，选用贪婪逐层预训练结合随机梯度下降微调训练算法，以新型深度学习架构诊断识别率为优化目标，利用量子蚁群优化算法确定稀疏自动编码机和收缩自动编码机的具体位置。


2.根据权利要求1所述的一种用于行星齿轮故障诊断的新型深度特征学习方法，其特征在于：步骤a中，振动传感器选用IEPE振动传感器，布置安装方式采用螺钉紧固型式，数据采集卡采用24位高精度同步采集数据采集卡。


3.根据权利要求1所述的一种用于行星齿轮故障诊断的新型深度特征学习方法，其特征在于：步骤a中，原始振动信号包括正常行星齿轮、缺齿行星齿轮、点蚀行星齿轮、磨损行星齿轮、断齿行星齿轮和裂纹行星齿轮。


4.根据权利要求1所述的一种用于行星齿轮故障诊断的新型深度特征学习方法，其特征在于：步骤b中，稀疏自动编码机的损失函数，包括：针对训练样本中m神经元的第s个隐藏层的平均激活度：



其中，x表示训练样本，第s个隐藏层中第j个神经元的激活值是
稀疏惩罚项PN的表达式如下：
其中，s2是隐藏神经元的数量，是KL散度，ρ是稀疏性参数；为训练样本中m神经元的第s个隐藏层的平均激活度：
KL散度的数学表达式：
稀疏自动编码机的稀疏损失函数为：



其中，β是稀疏性惩罚项目的权重，L(x,y)是重建误差；
通过最小化稀疏损失函数来实现稀疏自动编码机的训练：(W,b)SAE＝minJSAE，(W,b)代表通过最小化JSAE确定稀疏自动编码机结构中的参数值。


5.根据权利要求1所述的一种用于行星齿轮故障诊断的新型深度特征学习方法，其特征在于：步骤b中，收缩自动编码机的损失函数，包括：



其中L(x,y)是重建误差，是收缩惩罚项...

【专利技术属性】
技术研发人员：陈曦晖，张经炜，楼伟，施昕辉，
申请(专利权)人：河海大学常州校区，
类型：发明
国别省市：江苏;32