基于一维卷积神经网络的行星齿轮箱小样本故障诊断方法技术

本发明专利技术提出一种基于一维卷积神经网络的行星齿轮箱小样本故障诊断方法，主要包括数据采集、数据处理、训练模型和测试模型。考虑到目前行星齿轮箱故障依赖于信号处理或大量的数据，而生产实际中大量的数据又难以获得，故限制了现有行星齿轮箱故障诊断方法在小样本上的应用。本发明专利技术的目的是为解决现有技术中存在的不便和弊端，而提供一种可以仅使用小样本数据，并且无需任何信号处理的端到端行星齿轮箱故障诊断方法。

【技术实现步骤摘要】
基于一维卷积神经网络的行星齿轮箱小样本故障诊断方法
本专利技术属于故障诊断
，尤其涉及一种基于一维卷积神经网络的行星齿轮箱小样本故障诊断方法，主要包括数据采集、数据处理、训练模型和测试模型。
技术介绍
目前行星齿轮箱故障依赖于信号处理或大量的数据，而生产实际中大量的数据又难以获得，故限制了现有行星齿轮箱故障诊断方法在小样本上的应用。相比于定轴齿轮箱，行星齿轮箱的结构更加复杂，它通常由行星轮、太阳轮、行星架和齿圈组成。在行星齿轮箱中，太阳轮与行星轮啮合，行星轮同时与太阳轮和齿圈啮合。行星轮自转的同时还围绕着太阳轮公转。在如此复杂的运动特点与环境激励下，所采集的信号通常具有非线性、复杂性等特点。目前行星齿轮箱小样本故障诊断主要是基于信号处理的方法和基于浅层机器学习的方法。基于信号处理的行星齿轮箱故障诊断依赖于诊断人员手工提取特征，而特征提取所用的方法以及参数调整需要大量的专业知识。并且，由于行星齿轮箱的结构复杂、安装误差以及制造误差等影响，人工进行特征提取和故障诊断的难度也将增大。基于浅层机器学习的行星齿轮箱故障诊断使用分类器本文档来自技高网...

【技术保护点】
1.一种基于一维卷积神经网络的行星齿轮箱小样本故障诊断方法，其特征在于，包括以下步骤：/n步骤S1：搭建行星齿轮箱故障试验台，使用加速度传感器采集行星齿轮箱的正常状态与故障状态的振动信号；/n步骤S2：将采集到的信号进行归一化处理；/n步骤S3：归一化后的数据进行分段，并打上相应的标签；/n步骤S4：将处理完的每类数据随机选取A个样本作为训练样本，B个样本作为测试样本；/n步骤S5：确定一维卷积神经网络的初始参数；所述一维卷积神经网络依次为输入层、卷积层1、卷积层2、池化层1、卷积层3、卷积层4、池化层2、全局平均池化层和Softmax分类层；/n步骤S6：将训练样本输入网络进行训练，并保存训...

【技术特征摘要】
1.一种基于一维卷积神经网络的行星齿轮箱小样本故障诊断方法，其特征在于，包括以下步骤：
步骤S1：搭建行星齿轮箱故障试验台，使用加速度传感器采集行星齿轮箱的正常状态与故障状态的振动信号；
步骤S2：将采集到的信号进行归一化处理；
步骤S3：归一化后的数据进行分段，并打上相应的标签；
步骤S4：将处理完的每类数据随机选取A个样本作为训练样本，B个样本作为测试样本；
步骤S5：确定一维卷积神经网络的初始参数；所述一维卷积神经网络依次为输入层、卷积层1、卷积层2、池化层1、卷积层3、卷积层4、池化层2、全局平均池化层和Softmax分类层；
步骤S6：将训练样本输入网络进行训练，并保存训练好的模型；
步骤S7：将测试样本输入训练好的模型，判断行星齿轮箱状态。


2.根据权利要求1所述的基于一维卷积神经网络的行星齿轮箱小样本故障诊断方法，其特征在于：所述输入层用于接收一维数组，对应信号的时域采样。


3.根据权利要求1所述的基于一维卷积神经网络的行星齿轮箱小样本故障诊断方法，其特征在于：
卷积层为特征提取层，通过卷积核扫描输入数据提取特征；提取到的特征表示如下:



式中，为第l层卷积层输出，为l层输入，K为卷积核，b为第l层偏置，f为激活函数。


4.根据权利要求1所述的基于一维卷积神经网络的行...

【专利技术属性】
技术研发人员：钟建华，林云树，
申请(专利权)人：福州大学，
类型：发明
国别省市：福建;35