一种基于深度迁移学习的齿轮箱故障检测方法技术

本发明专利技术提供的一种基于深度迁移学习的齿轮箱故障检测方法，包括收集齿轮箱原始的信号数据、对原始的信号进行降噪和数据清洗、用特征提取器进行提取、得到新图像、构建模型、用训练数据和验证数据对模型进行结果分析和验证，本发明专利技术克服了齿轮箱故障诊断的类别较为单一的技术问题，创新性的将齿轮箱的振动信号、温度信号和油液信号的图像数据进行交叉组合，得到多组的复合图像数据，最终构建复合故障的模型，再将得到的卷积神经网络模型迁移至齿轮箱诊断检测数据中，计算迁移诊断故障率，诊断率在94％

【技术实现步骤摘要】
一种基于深度迁移学习的齿轮箱故障检测方法
专利

[0001]本专利技术涉及齿轮箱检测
，具体说，本专利技术具体涉及一种基于迁移学习齿轮箱故障检测


技术介绍

[0002]齿轮箱是现代装备制造业中传递运动和调配速度的重要功能部件，齿轮箱系统一般包括齿轮、轴承、轴和箱体四部分，齿轮箱的故障可以分为机械故障、电气故障、辅助系统故障，机械故障主要为齿轮故障、轴承故障、箱体故障，电气故障和辅助系统故障主要有冷却故障、供油故障、传感器故障。在这三类故障中，电气故障和辅助系统故障虽然发生频率较高，但是产生的后果相对来说并不严重，处理也较为方便，机械故障次数少，但是成因复杂，在早期难以发现，处理困难、成本较高。据统计，73％的故障处理时间，都是在处理机械故障，而齿轮是机械故障多发部位。
[0003]齿轮箱中部件发生故障时会产生异常振动，齿轮箱箱体的振动信号的幅值和频率成分都会随之发生相应的变化，而箱体振动信号里包含着大量的箱体内部部件运行状态信息，因此利用齿轮箱箱体产生的振动信号能有效地反应出齿轮箱的运行状态，通过对箱体振动信号的分析，可以本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度迁移学习的齿轮箱故障检测方法，其特征在于，具体步骤如下：(1)收集齿轮箱原始的信号数据，包括振动信号、温度信号和油液信号；(2)对原始的振动信号进行降噪，去除噪音信号，保留有效振动信号，将全部的有效振动信号转化为振动图像数据，备用；(3)对收集到的温度信号和油液信号进行数据清洗；(4)将处理后的振动图像数据、温度图像数据和油液图像数据进行交叉组合，得到多组的复合图像数据，用特征提取器进行提取，得到新图像；(5)将得到的新图像数据输入到DarkNet
‑
53网络中，首先对输入的数据集进行卷积和池化计算，然后从处理过的图片数据提取三个不同层次的特征图，再对高层的采样得到的特征图进行卷积层处理，完成后再经过3X3和1X1两个不同的计算分支进行卷积计算后直接输出预测结果，并将两组特征图经过通道进行拼接，此时得到拼接完成的特征图进行卷积处理，重复分支计算处理工作，最后输出预测的结果是经由一组3X3和1X1卷积处理得到的训练模型数值，构建复合故障的模型；(6)将卷积处理得到模型数值与理论值对比，直至相符合，即得到最终的卷积神经网络模型数据，建立卷积神经网络模型；(7)将得到的卷积神经网络模型迁移至齿轮箱诊断检测数据中，计算迁移诊断故障率，诊断率在94％
‑
100％之间，即实现高精度诊断。2.根据权利...

【专利技术属性】
技术研发人员：王文娟，丁锋，刘丹，何睿潇，李杰，
申请(专利权)人：西安工业大学，
类型：发明
国别省市：