基于残差-胶囊网络的行星齿轮箱故障诊断方法技术

本发明专利技术公开了一种基于残差

【技术实现步骤摘要】
基于残差
‑
胶囊网络的行星齿轮箱故障诊断方法


[0001]本专利技术属于行星齿轮箱故障诊断
，更为具体地讲，涉及一种基于残差
‑
胶囊网络的行星齿轮箱故障诊断方法。

技术介绍

[0002]行星齿轮箱是旋转机械系统中的常用装置，由于其具有设计小巧、高传动比、工作过程平稳等特点，常被用做大型机械设备中的核心动力节点。齿轮箱一般由轴承部件、齿轮部件和传动部件等组成，根据已有的研究，其中齿轮失效的比例占齿轮箱部件失效比的60％以上。这是因为齿轮箱常年工作在高温、高腐蚀的恶劣环境中，导致齿轮极易发生点蚀、裂纹和剥落等故障。若在设备运行中不及时发现加以处理，故障进一步扩大，轻则使整个设备停止工作，重则造成重大财产损失和人员生命安全。
[0003]目前，传统的行星齿轮箱故障诊断方法大部分是从振动信号入手，振动信号是齿轮箱状态最简单和最直观的反映之一。当振动信号出现异常时，齿轮箱必然运行在不稳定状态，振动信号是准确检验齿轮箱故障的必要条件。初期的行星齿轮故障诊断方法以分析振动信号的时域、频域和时频域等各类信号指标统计为主，通过提取不同故障信号的特征值，从数值差异上对故障进行诊断。但在实际条件下，存在信号复杂，干扰过多的情况，专家学者面临着无法分析处理信号的难题。
[0004]进入二十一世纪后，由于计算机技术的快速发展，机器学习方法被应用到故障诊断领域。和传统数值分析方法相比，使用机器学习手段对故障进行诊断更加智能化，诊断结果也相对更可靠，例如K近邻法、贝叶斯理论、支持向量机等。但机器学习方法也存在诸多问题。首先机器学习技术对大数据的支持不友好，由于传统机器学习技术需要将数据完全装载进内存，当数据量大时，必须对数据进行特殊处理；其次对于振动信号而言，机器学习方法要求对数据进行特征提取，除了传统的时频提取外，提取方法极大程度决定了诊断结果；除此外，机器学习的适应性较差，模型移植困难，难以从已知领域移植到未知领域，信号的细微变化极易产生误判。

技术实现思路

[0005]本专利技术的目的在于克服现有技术的不足，提供一种基于残差
‑
胶囊网络的行星齿轮箱故障诊断方法，结合残差网络和胶囊网络构建残差
‑
胶囊网络，提高行星齿轮箱故障诊断性能。
[0006]为了实现上述专利技术目的，本专利技术基于残差
‑
胶囊网络的行星齿轮箱故障诊断方法包括以下步骤：
[0007]S1：根据需要设置行星齿轮箱的K种不同故障状态，分别在正常状态和每种故障状态下获取若干预设时长为T的时域振动信号，然后对各个时域振动信号通过短时傅里叶变换获得二维时频数据，生成原始时频图像，然后将得到的原始时频图像缩放至预设尺寸，得到时频图像；将各个时频图像的状态标签设置为对应的状态编码k，k＝0表示正常状态，k＝
1,2,
…
,K表示故障状态序号；
[0008]S2：构建残差
‑
胶囊网络，包括卷积模块、残差模块、注意力模块和胶囊模块，其中：
[0009]卷积模块用于对输入的时频图像进行卷积操作，实现特征提取和数据降维，将得到的特征图输出至残差模块；
[0010]残差模块用于对接收到的特征图进行处理，将得到的特征图输出至注意力模块；
[0011]注意力模块用于对接收到的特征图采用通道注意力机制获取通道特征权值，然后根据所得到的通道特征权值对输入特征图进行特征重分配，将生成的特征图发送至胶囊模块；
[0012]胶囊模块用于根据接收到的特征图估计输入的时频图像对应的故障状态；胶囊模块包括主胶囊层、数字胶囊层和输出层，其中：
[0013]主胶囊层用于对来自注意力模块的特征图进行特征提取，将得到的特征图输出至数字胶囊模块；
[0014]数字胶囊层包括K+1个数字胶囊，每个数字胶囊分别对接收到的特征图进行特征提取得到一个一维向量，将得到的K+1个一维向量输出至输出层；
[0015]输出层用于对接收到的K+1个一维向量进行压缩，即求取对应数字胶囊的模长，得到输入时频图像属于K+1个状态的概率值；
[0016]S3：采用步骤S1中得到的每个时频图像作为输入，对应的故障状态标签作为期望输出，对步骤S2构建的残差
‑
胶囊网络进行训练，得到训练好的残差
‑
胶囊网络；
[0017]S4：当需要对行星齿轮箱进行故障诊断时，采集时长为T的时域振动信号，采用步骤S1中的相同方法进行时频图像转换和缩放，将得到的时频图像输入训练好的残差
‑
胶囊网络，得到故障诊断结果。
[0018]本专利技术基于残差
‑
胶囊网络的行星齿轮箱故障诊断方法，首先在行星齿轮箱的正常状态下和故障状态下采集时域振动信号，变换得到原始时频图像后进行缩放得到时频图像，并设置时频图像的标签，得到训练样本；构建包括卷积模块、残差模块、注意力模块和胶囊模块的残差
‑
胶囊网络，采用训练样本对残差
‑
胶囊网络进行训练，当需要对行星齿轮箱进行故障诊断时，采集时域振动信号并变换得到时频图像，将其输入训练好的残差
‑
胶囊网络得到故障诊断结果。
[0019]本专利技术具有以下有益效果：
[0020]1)本专利技术中通过时频分析方法与缩放的方式制作故障时频图像，相比传统图像制作手段，避免了手工剪裁，实现数据集从采集到制作的全自动化操作；
[0021]2)本专利技术针对传统卷积神经网络的缺点，提取使用胶囊网络进行故障诊断分类，胶囊网络中的向量神经元不仅能够学习特征的大小信息还能学习到特征之间的位置信息；
[0022]3)本专利技术进一步提出了一种改进的残差模块，该模块使用两个小卷积核代替大卷积核，利用非对称卷积的优点在减少网络运算量的同时增加网络的判别能力，通过与胶囊网络结合在噪声环境下仍可以达到较好的诊断效果。
附图说明
[0023]图1是基于残差
‑
胶囊网络的行星齿轮箱故障诊断方法的具体实施方式流程图；
[0024]图2是本实施例中缩放前后的时频图像示例图；
[0025]图3是本专利技术中残差
‑
胶囊网络的结构图；
[0026]图4是本实施例中卷积模块的结构图；
[0027]图5是本实施例中残差模块的结构图；
[0028]图6是本实施例中经过标准化后的时域振动信号示例图。
具体实施方式
[0029]下面结合附图对本专利技术的具体实施方式进行描述，以便本领域的技术人员更好地理解本专利技术。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本专利技术的主要内容时，这些描述在这里将被忽略。
[0030]实施例
[0031]图1是基于残差
‑
胶囊网络的行星齿轮箱故障诊断方法的具体实施方式流程图。如图1所示，本专利技术基于残差
‑
胶囊网络的行星齿轮箱故障诊断方法的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于残差
‑
胶囊网络的行星齿轮箱故障诊断方法，其特征在于，包括以下步骤：S1：根据需要设置行星齿轮箱的K种不同故障状态，分别在正常状态和每种故障状态下获取若干预设时长为T的时域振动信号，然后对各个时域振动信号通过短时傅里叶变换获得二维时频数据，生成原始时频图像，然后将得到的原始时频图像缩放至预设尺寸，得到时频图像；将各个时频图像的状态标签设置为对应的状态编码k，k＝0表示正常状态，k＝1,2,
…
,K表示故障状态序号；S2：构建残差
‑
胶囊网络，包括卷积模块、残差模块、注意力模块和胶囊模块，其中：卷积模块用于对输入的时频图像进行卷积操作，实现特征提取和数据降维，将得到的特征图输出至残差模块；残差模块用于对接收到的特征图进行处理，将得到的特征图输出至注意力模块；注意力模块用于对接收到的特征图采用通道注意力机制获取通道特征权值，然后根据所得到的通道特征权值对输入特征图进行特征重分配，将生成的特征图发送至胶囊层；胶囊模块用于根据接收到的特征图估计输入的时频图像对应的故障状态；胶囊模块包括主胶囊层、数字胶囊层和输出层，其中：主胶囊层用于对来自注意力模块的特征图进行特征提取，将得到的特征图输出至数字胶囊层；数字胶囊层包括K+1个数字胶囊，每个数字胶囊分别对接收到的特征图进行特征提取得到一个一维向量，将得到的K+1个一维向量输出至输出层；输出层用于对接收到的K+1个一维向量进行压缩，即求取对应数字胶囊的模长，得到输入时频图像属于K+1个状态的概率值；S3：采用步骤S1中得到的每个时频图像作为输入，对应的故障状态标签作为期望输出，对步骤S2构建的残差
‑
胶囊网络进行训练，得到训练好的残差
‑
胶囊网络；S4：...

【专利技术属性】
技术研发人员：米金华，胡自翔，程玉华，白利兵，孔子薇，庄泳昊，盛瀚民，邵晋梁，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：