基于DAE-CNN的行星齿轮箱故障诊断方法技术

本发明专利技术公开了基于DAE

【技术实现步骤摘要】
基于DAE
‑
CNN的行星齿轮箱故障诊断方法


本专利技术涉及行星齿轮箱故障诊断
，涉及一种旋转机械设备故障诊断方法，可用于多种旋转机械设备(如行星齿轮箱、滚动轴承等)的故障诊断，尤其涉及一种基于DAE
‑
CNN的行星齿轮箱故障诊断方法，即基于深度自编码器及卷积网络结合的行星齿轮箱故障诊断方法。

技术介绍

二十一世纪以来，计算机硬件技术和传感器技术蓬勃发展，并逐渐应用于更为广泛和多样的领域。其中，传感器对振动、位移电压和电流等信号进行采集，并以此来实现对长期运行的大型设备进行监控，对大型机械传动设备的安全运行至关重要。随着深度学习方法理论的逐渐发展，传感器通过传统信号处理方法或传统机器学习算法无法精确判断设备运行状态的弊端一度得到改善，并且逐步体现出其处理海量数据的优势。随着深度学习方法的影响力日益扩大，并逐步被引入到智能诊断领域中来。国外学者在行星齿轮箱故障诊断的应用问题做出较多相关研究。针对自编码器、卷积神经网络等学习方法通过对信号故障特征的提取，以及内部非线性神经元组合与较深层次网络结构的结合，改变本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于DAE
‑
CNN的行星齿轮箱故障诊断方法，其特征在于：包括以下步骤，(1)获取不同健康状态下的行星齿轮箱振动信号，对数据进行预处理构建样本集；(2)构建深度自编码器；自编码器的各层节点数依次为1024*128*64*10*N*10*64*128*1024，编码层和解码层是对称结构，包含的神经元个数相同，输入层和输出层均包含1024个神经元，编码层的前3个隐藏层神经元个数分别为128、64、10，第4个隐藏层(中间层)作为编码输出，其神经元个数N为2、4、8和10，分别对应所设计的四种深度自编码器；(3)对深度自编码器进行训练；(3a)利用预处理好的数据集来训练网络的第一层，得到第一层的参数，然后网络第一层将原始输入转化为由隐藏单元激活值组成的向量，将向量作为第二层的输入，继续训练得到第二层的参数，对其他层也按此规则处理；(3b)自编码器最后一层使用Tanh函数作为神经元的激活函数，其他层采用Relu函数作为激活函数，而自编码器获取合适的参数θ＝(W
e
,W
d
,b
e
,b
d
)，以最小化损失函数，损失函数为：式中，λ是权重||W||2是通过最小化参数L2范数来避免过度拟合的正则项，是重建损失；(3c)将8类故障数据分别输入至深度自编码器进行训练；(4)提取深度自编码器的编码器输出层的输出，进行训练数据集和测试数据集的划分，以作为卷积神经网络的输入；(4a)从深度自编码器的编码器输出层提取的I个振动时域信号数据，以及每个数据对应的标签作为训练数据集所有故障标签的类别为0，1，2，
…
，q，
…
，Q，其中Q为故障标签的类别总数，I≥2000，且I＞＞Q，x_train
i
表示第i个训练样本，y_train
i
表示每个训练样本的标签；(4b)将深度自编码器的编码器输出层提取的J个振动时域信号数据作为测试数据集x_test
j
表示第J个测试样本；(5)构建卷积神经网络；构建的卷积神经网络其网络结构包含4个卷积层、1个全连接层和1个输出层，卷积层接受自编码器提取的I
×
N向量，通过3
×
1大小的卷积核进行卷积操作，卷积层的激活函数为Relu函数，全连接层包括256个神经元，输出层的激活函数采用softmax函数以实现故障分类，其包含8个神经元来完成8分类的任务；(6)对卷积神经网络进行训练；(7)构建DAE
‑
CNN模型；(8)获取故障诊断结果。2.根据权利要求1所述的基于...

【专利技术属性】
技术研发人员：张冕，康天博，马跃，黎德才，王艺樵，
申请(专利权)人：天津理工大学，
类型：发明
国别省市：