一种基于可转移特征的齿轮箱故障检测方法技术

本发明专利技术涉及一种基于可转移特征的齿轮箱故障检测方法，包括获取齿轮箱故障信息数据集，将所述数据集划分为候选域数据集和目标域数据集，通过预处理得到第一代表时间序列和第二代表时间序列；基于所述第一代表时间序列和所述第二代表时间序列之间的相关性，通过计算得到时域上模式特征最相似的数据集；利用所述最相似的数据集，对LSTM模型进行预训练，提取共性特征，然后通过预训练好的模型对所述目标域数据集进行时间序列预测，获取齿轮箱的时域特征；根据所述第二代表时间序列对应的频谱图训练CNN模型，获取齿轮箱频谱图的频域特征，将所述时域特征和所述频谱特征进行合并，得到预测结果。本发明专利技术方法提高了预测的准确性。本发明专利技术方法提高了预测的准确性。本发明专利技术方法提高了预测的准确性。

【技术实现步骤摘要】
一种基于可转移特征的齿轮箱故障检测方法


[0001]本专利技术涉及故障检测
，特别是涉及一种基于可转移特征的齿轮箱故障检测方法。

技术介绍

[0002]现在对于同一领域下丰富时序数据的预测分析，有大量成熟的技术手段：可以通过RNN/LSTM/GRU等技术用当前观测到的特征值与历史时序信息帮助完成预测；可以通过Seq2Seq等技术进行多步预测；可以通过Attention机制对时序数据添加不同注意力权重，加强基于多特征的预测；可以通过GeoMAN模型加入空间等特征，提高预测的精确度；可以通过Transformer以及相关变种模型，便于处理多维长输入序列，以及提高预测长序列精度；可以通过CNN等相关模型，捕获更宽视野的历史信息进行预测分析；可以通过许多模型多个进行结合，创新模型提高预测的精度。以上的技术大都需要满足在同一领域下的数据量丰富这一特征。
[0003]现在对于数据量少的时序的预测分析，技术不是很多，在现有的技术中大体包括通过迁移学习，利用模型参数重用、源域和目的域特征转换等方法使用之前在另一个相关领域训练好的模型，进而达到预测目的域的目标；通过数据增强相关方法，提取更多有用信息，提高预测精度等。以上方法，需要为目的域寻找到最适合用这些方法的源域，并且深入挖掘源域和目标域之间的关联关系。
[0004]在机械领域中，有大量丰富的理论依据帮助预测分析：比如对于滚动轴承的寿命进行预测，在机械上已知与基本动载荷正相关，与当量动载荷呈负相关，以及会有基本计算公式与查询表。但是如何从常用的设备数据中选出能够帮助目标域进行预测的数据源；如何利用数据量较大的的数据源增强对数据量少的数据的预测；以及如何挖掘数据量少的时序数据本身的隐藏信息，都是比较棘手的问题。
[0005]工业上有丰富的理论机理模型，在对数据进行分析的过程中，需要符合基本的机理知识，如何利用这些机理知识增强数据分析模型的准确性是需要研究的问题。

技术实现思路

[0006]本专利技术的目的是提供一种基于可转移特征的齿轮箱故障检测方法，以解决现有技术中适用于目标域下，要求训练数据非常丰富的场景，但在工业环境中，设备故障数据很少的问题。
[0007]为实现上述目的，本专利技术提供了如下方案：
[0008]一种基于可转移特征的齿轮箱故障检测方法，包括：
[0009]获取齿轮箱故障信息数据集，将所述数据集划分为候选域数据集和目标域数据集，通过预处理得到第一代表时间序列和第二代表时间序列；
[0010]基于所述第一代表时间序列和所述第二代表时间序列之间的相关性，通过计算得到时域上模式特征最相似的数据集；
[0011]利用所述最相似的数据集，对LSTM模型进行预训练，提取共性特征，然后通过预训练好的模型对所述目标域数据集进行时间序列预测，获取齿轮箱的时域特征；
[0012]根据所述第二代表时间序列对应的频谱图训练CNN模型，获取齿轮箱频谱图的频域特征，将所述时域特征和所述频谱特征进行合并，得到预测结果。
[0013]优选地，获取所述齿轮箱故障信息数据集包括：基于设备模拟器获取包含故障隐信息的时间序列，基于所述包含故障隐信息的时间序列构建所述齿轮箱故障信息数据集，其中所述齿轮箱故障信息数据集中包括若干隐藏信息的时间序列。
[0014]优选地，通过预处理得到所述第一代表时间序列和第二代表时间序列包括：
[0015]通过打乱任一维度时间序列部分值和依次去掉任一维度时间序列，衡量不同维度时间序列对于该数据集最终预测的重要性，从而选出所述第一代表时间序列和所述第二代表时间序列，其中，所述第一代表时间序列为所述候选域数据集的代表时间序列，所述第二代表时间序列为所述目标域数据集的代表时间序列。
[0016]优选地，所述打乱任一维度时间序列部分值和依次去掉任一维度时间序列包括：
[0017]将多维度数据放入所述LSTM模型进行多变量预测得到第一预测结果；
[0018]打乱任一维度时间序列部分值，确定维度，以预设阈值遍历同一维度上的每条时间序列，其中在每一次循环中交换测量点的前后顺序；基于所述LSTM模型结构进行分类预测，得到第二预测结果；
[0019]依次去掉任一维度时间序列，每次去掉一个测量维度的时间序列，减少LSTM模型的输入维度，通过所述LSTM模型结构进行预测，得到第三预测结果；
[0020]基于所述第一预测结果、所述第二预测结果和所述第三预测结果进行计算，若计算结果值越大，则代表所选维度包含的故障信息越多，从而选出所述第一代表时间序列和所述第二代表时间序列。
[0021]优选地，通过计算得到所述最相似的数据集包括：
[0022]将所述第一代表时间序列和所述第二代表时间序列进行归一化处理，将归一化后的所述第一代表时间序列和归一化后的所述第二代表时间序列进行求和并去平均值计算，得到计算结果，所述计算结果代表所述候选域数据集和所述目标域数据集之间的相似性，基于所述计算结果从所述候选域数据集中，选出最相似的前k个数据集作为所述最相似的数据集；其中所述计算结果越小代表越相似。
[0023]优选地，获取所述时域特征包括：
[0024]以所述最相似的数据集作为所述LSTM模型预训练数据集，依次训练所述LSTM模型，通过训练好的LSTM模型对所述目标域数据集进行多变量时间序列预测，获取所述时域特征。
[0025]优选地，预训练所述LSTM模型包括：
[0026]基于所述最相似数据集预训练所述LSTM模型，根据不同候选域数据集的分类特征，修改全连接层以及softmax层的结构，在每次预训练模型之前，将上一次训练得到的全连接层之前的模型参数继承，然后继续进行训练，最后得到预训练好的LSTM模型。
[0027]优选地，通过预训练好的LSTM模型对所述目标域数据集进行多变量时间序列预测，包括：
[0028]将所述预训练好的LSTM模型迁移给所述目标域数据集进行训练，修改所述LSTM模
型中的全连接层和SoftMax层的结构，并引入CNN模型进行合并并训练，在训练模型之前，将全连接层之前的模型参数进行继承，利用所述目标域数据集进行训练，最终获取所述齿轮箱的时域特征。
[0029]优选地，根据所述第二代表时间序列对应的频谱图训练CNN模型，获取齿轮箱频谱图的频域特征，包括：
[0030]根据所述第二代表时间序列生成对应的频谱图，利用CNN捕捉频谱图中啮合频率和边频带相关的信息，提取所述齿轮箱频谱图的频域特征。
[0031]优选地，得到所述预测结果包括：
[0032]将所述LSTM模型输出的结果和所述CNN模型输出的结果合并，即将所述时域特征和所述频域特征进行合并，输出给最终修改后的全连接层和softmax层得到所述预测结果。
[0033]本专利技术的有益效果为：
[0034](1)本专利技术对于像齿轮箱这种可研究数据量较少的研究对象，提出了一种基于可转移特征的方法，利用其他相似领域的数据集对本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于可转移特征的齿轮箱故障检测方法，其特征在于，包括：获取齿轮箱故障信息数据集，将所述数据集划分为候选域数据集和目标域数据集，通过预处理得到第一代表时间序列和第二代表时间序列；基于所述第一代表时间序列和所述第二代表时间序列之间的相关性，通过计算得到时域上模式特征最相似的数据集；利用所述最相似的数据集，对LSTM模型进行预训练，提取共性特征，然后通过预训练好的模型对所述目标域数据集进行时间序列预测，获取齿轮箱的时域特征；根据所述第二代表时间序列对应的频谱图训练CNN模型，获取齿轮箱频谱图的频域特征，将所述时域特征和所述频谱特征进行合并，得到预测结果。2.根据权利要求1所述的基于可转移特征的齿轮箱故障检测方法，其特征在于，获取所述齿轮箱故障信息数据集包括：基于设备模拟器获取包含故障隐信息的时间序列，基于所述包含故障隐信息的时间序列构建所述齿轮箱故障信息数据集，其中所述齿轮箱故障信息数据集中包括若干隐藏信息的时间序列。3.根据权利要求1所述的基于可转移特征的齿轮箱故障检测方法，其特征在于，通过预处理得到所述第一代表时间序列和第二代表时间序列包括：通过打乱任一维度时间序列部分值和依次去掉任一维度时间序列，衡量不同维度时间序列对于该数据集最终预测的重要性，从而选出所述第一代表时间序列和所述第二代表时间序列，其中，所述第一代表时间序列为所述候选域数据集的代表时间序列，所述第二代表时间序列为所述目标域数据集的代表时间序列。4.根据权利要求3所述的基于可转移特征的齿轮箱故障检测方法，其特征在于，所述打乱任一维度时间序列部分值和依次去掉任一维度时间序列包括：将多维度数据放入所述LSTM模型进行多变量预测得到第一预测结果；打乱任一维度时间序列部分值，确定维度，以预设阈值遍历同一维度上的每条时间序列，其中在每一次循环中交换测量点的前后顺序；基于所述LSTM模型结构进行分类预测，得到第二预测结果；依次去掉任一维度时间序列，每次去掉一个测量维度的时间序列，减少LSTM模型的输入维度，通过所述LSTM模型结构进行预测，得到第三预测结果；基于所述第一预测结果、所述第二预测结果和所述第三预测结果进行计算，若计算结果值越大，则代表所选维度包含的故障信息越多，从而选出所述第一代表时间序列和所述第二代表时间序列。5.根据权利要求4所述的基于可转移特征的齿轮箱故障...

【专利技术属性】
技术研发人员：陈思睿，史晓慧，马振武，马腾飞，宋东鹏，汪卫，史可，彭世钊，
申请(专利权)人：济南永信新材料科技有限公司，
类型：发明
国别省市：