【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 ...
【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。