【技术实现步骤摘要】
基于时频域图像和卷积神经网络的齿轮箱故障诊断方法
[0001]本申请涉及故障诊断及机器学习
，尤其涉及一种基于时频域图像和卷积神经网络的齿轮箱故障诊断方法。
技术介绍
[0002]作为机械设备中传动系统的关键部件，齿轮箱在航空航天、冶金机械、风力发电组等大型复杂装备中得到广泛应用。然而，受到长周期、高强度的连续工作状态以及恶劣工作环境等因素的影响，齿轮箱容易出现各种类型的故障，严重影响到整机可靠性，形成经济损失和安全风险。齿轮箱故障诊断技术对于整机设备的运行状态监测、预警以及后续维修具有重要意义。但是，由于齿轮箱结构复杂、运行工况多变、故障类型多样，因此齿轮箱故障诊断技术仍然存在一些挑战，例如如何快速准确地识别故障类型、如何提高故障诊断的准确率和稳定性等。
[0003]近年来，随着人工智能、机器学习等新技术的发展，齿轮箱故障诊断技术得到了迅速发展。针对齿轮箱的故障诊断技术通常包括三个主要步骤，特征提取、特征选择以及故障模式识别。其中，齿轮箱故障特征提取是指通过对传感器采集到的信号数据进行预处理和特征提取，获取能...
【技术保护点】
【技术特征摘要】
1.一种基于时频域图像和卷积神经网络的齿轮箱故障诊断方法，其特征在于，包括：S1：对齿轮箱在不同程度健康状态下的振动信号数据进行采集，然后对振动信号数据进行预处理；S2：通过同步挤压小波变换算法对预处理后的振动信号数据进行时频域分析，将振动信号数据变换为时频谱图像数据，得到齿轮箱在不同程度健康状态下的时频谱图像数据集，将时频谱图像数据集划分为训练集、测试集和验证集；S3：基于Transformer模型构建齿轮箱故障模式识别模型，对齿轮箱故障模式识别模型的训练过程和训练参数进行设计，然后通过训练集对齿轮箱故障模式识别模型进行训练，得到训练完成的齿轮箱故障模式识别模型；S4：对训练完成的齿轮箱故障模式识别模型的参数文件进行调用，载入测试集进行预测，对齿轮箱健康状态类别进行判定，输出诊断结果。2.如权利要求1所述的方法，其特征在于，所述步骤S2包括：S21：通过同步挤压小波变换算法对预处理后的振动信号数据进行连续小波变换，将振动信号分解成不同频率和时间尺度上的小波系数，则该小波系数表示为：x(t)表示预处理后的振动信号数据，a表示小波分解的尺度，b表示小波分解的平移因子，ψ(t)表示小波母函数，为ψ(t)的共轭复数；S22：对所述小波系数进行相位变换，表示为：其中，ω
x
表示W
x
的相位变换结果；表示对平移因子b求导；a
j
表示相邻两个小波系数之间的时间尺度，且n
v
用于控制尺度系列数目；Δt表示采样时间间隔；S23：基于ω
x
，通过同步挤压小波变换算法对小波系数进行同步挤压操作，表示为：其中，ω
l
＝2
1Δω
ω表示任一中心频率；Δω＝1/(n
a
‑
1)log(n/2),l＝0,1,
…
,n
a
‑
1；n
a
表示尺度因子的取值系列量级；S24：通过逆变换算法将S
x
(ω
l
,b)重构为初始信号x
k
，则原始组分x
k
(t
m
)表示为：其中，l∈L
k
(t
m
)在相位变换空间中是第k个组分附近的窄的指数频带；表示正则化常数；S25：通过x
k
(t
m
)得到时频谱图像数据，将时频谱图像数据按照齿轮箱健康状态类别进行保存，并将时频谱图像数据集划分为训练集和测试集。3.如权利要求2所述的方法，其特征在于，步骤S3中，基于Transformer模型构建齿轮箱故障模式识别模型，则齿轮箱故障模式识别模型包括数据处理模块、数据编码模块和故障
分类模块。4.如权利要求3所述的方法，其特征在于，所述数据处理模块用于：将时频谱图像按固定尺寸分割成一系列的二维图像块其中，F
×
T表示原始输入图像的分辨率，F表示图像高度即频率尺度，T表示图像宽度即时间尺度；C
I
表示图像深度；二维图像块的分辨率为P
×
P，数量为通过可训练的线性映射层将这一系列的二维图像块展开为一个二维矩阵，则二维矩阵中向量序列的维度为D，长度为N；在向量序列的前端嵌入一个可训练的类别向量x
class
，并在向量序列上叠加一个可训练的位置编码E
pos
，最终得到向量序列表示为：5...
【专利技术属性】
技术研发人员：邬明均，王鹏，
申请(专利权)人：南京高精齿轮集团有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。