一种基于深度学习的旋转机械齿轮箱故障诊断方法技术

本发明专利技术的一种基于深度学习的旋转机械齿轮箱故障诊断方法，属于旋转机械装备故障类型识别和诊断技术领域，包括采集旋转机械齿轮箱运行振动加速度、速度、位移、频率等信号，基于奇异值分解的振动信号降噪实现原始信号重构，利用对称点阵图像分析法将振动信号的一维时间序列形式映射至二维空间中构建二维图像信息，基于离散点的密集程度进行故障类型特征提取；最后，结合对称点阵图像分析构建的二维图像信息和深度神经网络进行故障训练和判别，获得故障诊断模型，本发明专利技术能够准确有效的对直齿轮箱内部的齿轮与轴承进行故障诊断和故障识别。别。别。

【技术实现步骤摘要】
一种基于深度学习的旋转机械齿轮箱故障诊断方法


[0001]本专利技术属于旋转机械装备故障类型识别和诊断
，更具体来说，涉及一种基于深度学习的旋转机械齿轮箱故障诊断方法。

技术介绍

[0002]旋转机械是实现能量转化的重要装置，在工业领域大量使用，其运行的可靠性和安全性关系重大，设备故障直接影响工业生产，甚至威胁一线工人的人身安全，因此，加强对旋转机械设备运行状态的检测、故障类型的识别至关重要。随着深度学习、大数据人工智能技术的发展，为机械设备故障诊断提供了技术支撑，如何利用人工智能技术判断旋转设备的运行状况及发展趋势，分析旋转设备的故障原因、部位和性质，为工业生产提供科学的检依据，从而有效的降低设备维修和维护成本，提高设备运行的经济性，保证安全生产。

技术实现思路

[0003]1.专利技术要解决的技术问题
[0004]本专利技术的目的在于解决上述的缺陷。
[0005]2.技术方案
[0006]为达到上述目的，本专利技术提供的技术方案为：
[0007]本专利技术的一种基于深度学习的旋转机械齿轮箱故障诊断方法，诊断方法包括如下步骤：
[0008]S1、采集旋转机械齿轮箱运行的振动信号；
[0009]S2，对振动信号进行基于奇异值分解得到原始信号；
[0010]S3，利用对称点阵图像分析法将原始信号的一维时间序列形式映射至二维空间中构建二维图像信息；
[0011]S4，根据二维图像信息的离散点的密集程度进行故障类型特征提取；
[0012]S5，利用提取的故障类型进行深度神经网络进行故障训练和判别。
[0013]优选的，振动信号包括旋转加速度、旋转速度、位移以及频率。
[0014]优选的，步骤S2中的奇异值分解方法如下：
[0015]S21，构建振动加速度时序信号的一维特征矩阵Hankel矩阵，设原始含噪声信号序列为X＝[x(1)，x(2)，...x(N)]，构造Hankel矩阵为：
[0016][0017]其中，q＜N且满足N＝p+q
‑
1，A
p
×
q
为原始时序信号中真实信号特征矩阵，B
p
×
q
为噪声矩阵序列构成的特征矩阵，构造Hankel矩阵时，行数p和列数q相等，取偶数数据点的时间序列，如果序列为奇数则进行取偶处理。
[0018]S22，Hankel矩阵奇异值分解，将Hankel矩阵进行奇异分解，表示为两个正交矩阵
和非对称对角矩阵的乘积：
[0019][0020]其中，和V
q
×
q
分别为p阶和q阶正交矩阵；M
p
×
q
为非对称对角矩阵；
[0021][0022]σ
i
为矩阵Hankel的奇异值，r为矩阵的秩。
[0023]S23，选取L个的有效奇异值，其余奇异值置为0，并对奇异值分解过程取逆矩阵进行重构，获得重构后的矩阵H
′
，此时的H
′
就是去噪后的振动信号的Hankel矩阵，如下：
[0024][0025]S24，对H
′
矩阵进行逆奇异分解过程得到降噪后的齿轮箱振动加速度信号
[0026]X
′
＝[x
′
(1)，x
′
(2)，...x
′
(N)]。
[0027]优选的，步骤S23中L值的确定采用逆奇异值均分谱法，逆奇异值均分值法对所得到的奇异值按照由大到小的方式进行排列：
[0028]K＝rank(σ1，σ2，...，σ
m
)
[0029]定义为奇异值的平均值，对比b和所有奇异值，将奇异值大于均值奇异值认为有效奇异值，其他奇异值置为0，进行信号重构。
[0030]优选的，步骤S3的具体内容为利用对称图像点阵分析法将降噪后的一维时序振动减速度信号映射到二维空间中，在二维空间构成相关对称图案，利用花瓣信号密集程度进行旋转设备齿轮振动加速度信号的特征提取，其中，时序第i和i+l信号对应的振动加速度值为x
′
(i)和x
′
(i+l)，利用对称点阵变换将这两个时刻的信号映射至二维空间，极坐标表示为：Z(r(i)，θ(i)，φ(i))，映射公式如下所示：
[0031][0032]其中，r为极坐标图案的半径，θ为花瓣以逆时针方向沿对称平面镜像偏转的角度；φ为花瓣反方向顺时针的镜像；x
max
为该信号序列中的最大幅值；x
min
为该信号序列中的最小幅值；l为时间间隔参数；θ为花瓣在镜像翻转时对应的对称角度，为放大因子
[0033]优选的，l和θ值的选择通过改进粒子群算法进行优化，构建二维图像区分度指标为目标函数的优化模型，优化l和θ三个参数，区分度指标包括：二维图案花瓣臂的粗细差别、相邻两个花瓣臂的拟回归边线的夹角两个指标来表征，用对应点的泛函表示目标函数，如下所示：
[0034][0035]其中，||||为泛函计算，N为序列数量。
[0036]优选的，改进粒子群算法，在粒子群位置公式中增加粒子群平均适应度位置对下
一代粒子位置的影响，由此提高系统的收敛速度，位置公式如下所示：
[0037]v
i
(k)＝ωv
i
(k
‑
1)+c1r1[p
i，best
(k
‑
1)
‑
x
i
(k
‑
1)][0038]+c2r2[g
best
‑
x
i
(k
‑
1)]+c3r3[x
avg
(k
‑
1)
‑
x
i
(k
‑
1)][0039]x
i
(k)＝v
i
(k)+x
i
(k
‑
1)
[0040]式中ω为飞行速度的惯性权重，v
i
为粒子速度，x
i
为粒子位置，x
avg
为粒子平均位置；r1，r2，r3，c1，c1，c3为随机数分别取值为(0～1)，(0～1)，(0～1)，(0～2)，(0～2)，(0～2)，k为迭代次数。
[0041]优选的，步骤S5中针对旋转机械齿轮箱的振动信号特性，从神经网络的迭代次数、批量尺寸、卷积核尺寸以及卷积核系数等四个主要参数的优化递进进行构建神经网络训练模型。
[0042]优选的，利用网络计算对神经网络的迭代次数、批量尺寸、卷积核尺寸以及卷积核个数等参数进行优化，网络计算如下：
[0043][0044]设定网络的实际输出O，期望输出Y，E为二者差异，其中，k为迭代次数，ω为批量本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的旋转机械齿轮箱故障诊断方法，其特征在于，所述诊断方法包括如下步骤：S1、采集旋转机械齿轮箱运行的振动信号；S2，对振动信号进行基于奇异值分解得到原始信号；S3，利用对称点阵图像分析法将原始信号的一维时间序列形式映射至二维空间中构建二维图像信息；S4，根据二维图像信息的离散点的密集程度进行故障类型特征提取；S5，利用提取的故障类型进行深度神经网络进行故障训练和判别。2.根据权利要求1所述的一种基于深度学习的旋转机械齿轮箱故障诊断方法，其特征在于，所述振动信号包括旋转加速度、旋转速度、位移以及频率。3.根据权利要求1所述的一种基于深度学习的旋转机械齿轮箱故障诊断方法，其特征在于，所述步骤S2中的奇异值分解方法如下：S21，构建振动加速度时序信号的一维特征矩阵Hankel矩阵，设原始含噪声信号序列为X＝[x(1),x(2),
…
x(N)]，构造Hankel矩阵为：其中，q＜N且满足N＝p+q
‑
1，A
p
×
q
为原始时序信号中真实信号特征矩阵，B
p
×
q
为噪声矩阵序列构成的特征矩阵，构造Hankel矩阵时，行数p和列数q相等，取偶数数据点的时间序列，如果序列为奇数则进行取偶处理。S22，Hankel矩阵奇异值分解，将Hankel矩阵进行奇异分解，表示为两个正交矩阵和非对称对角矩阵的乘积：其中，和V
q
×
q
分别为p阶和q阶正交矩阵；M
p
×
q
为非对称对角矩阵；S＝diag(σ1,σ2,
…
,σ
r
)，σ
i
为矩阵Hankel的奇异值，r为矩阵的秩。S23，选取L个的有效奇异值，其余奇异值置为0，并对奇异值分解过程取逆矩阵进行重构，获得重构后的矩阵H
′
，此时的H
′
就是去噪后的振动信号的Hankel矩阵，如下：S24，对H
′
矩阵进行逆奇异分解过程得到降噪后的齿轮箱振动加速度信号X
′
＝[x
′
(1),x
′
(2),
…
x
′
(N)]。4.根据权利要求3所述的一种基于深度学习的旋转机械齿轮箱故障诊断方法，其特征在于，所述步骤S23中L值的确定采用逆奇异值均分谱法，逆奇异值均分值法对所得到的奇异值按照由大到小的方式进行排列：
K＝rank(σ1,σ2,
…
,σ
m
)定义为奇异值的平均值，对比b和所有奇异值，将奇异值大于均值奇异值认为有效奇异值，其他奇异值置为0，进行信号重构。5.根据权利要求1所述的一种基于深度学习的旋转机械齿轮箱故障诊断方法，其特征在于：所述步骤S3的具体内容为利用对称图像点阵分析法将降噪后的一维时序振动减速度信号映射到二维空间中，在二维空间构成相关对称图案，利用花瓣信号密集程度进行旋转设备齿轮振动加速度信号的特征提取，其中，时序第i和i+l信号对应的振动加速度值为x
′
(i)和x
′
(i...

【专利技术属性】
技术研发人员：张能文，杨凯铭，秦法涛，何晓琳，吴广，崔飞，蔡昌春，江冰，承敏钢，
申请(专利权)人：江苏新道格自控科技有限公司，
类型：发明
国别省市：