小样本及噪声环境下传动系统故障诊断方法技术方案

本发明专利技术涉及高速列车传动系统故障诊断技术领域，公开了一种小样本及噪声环境下传动系统故障诊断方法

【技术实现步骤摘要】
小样本及噪声环境下传动系统故障诊断方法、系统及介质


[0001]本专利技术涉及高速列车传动系统故障诊断
，尤其涉及一种小样本及噪声环境下传动系统故障诊断方法
、
系统及介质
。

技术介绍

[0002]传动系统在许多复杂系统，如航天航空，交通运输和风力发电等领域有着广泛地应用
。
同时，高速列车传动系统的关键部件，如轴承和齿轮会由于长期运行磨损和设备老化，以及恶劣工作环境的不利影响，使得系统容易发生故障
。
这些故障会导致设备性能下降，甚至引发安全事故
。
因此，如何实现高速列车传动系统的高精度故障诊断是一个迫切需要解决的课题
。
[0003]目前，基于人工神经网络的诊断方法由于其端到端特性以及能够有效地从传感器信号中提取故障相关特征而被广泛应用于现实场景中
。
然而，当高速列车传动系统发生故障时，传感器通常难以采集大量的数据，主要有三个原因
:1)
机械系统大多数时间是运行在正常设备状况下；
2)
大多数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种小样本及噪声环境下传动系统故障诊断方法，其特征在于，包括：
S1
：采集传动系统在不同故障状态下含噪声的振动信号数据，并为所述振动信号数据添加故障类型标签；
S2
：对所述振动信号数据进行预处理得到故障诊断数据集，并根据信号含噪声程度将所述故障诊断数据集划分为无噪声数据集和含噪声数据集；
S3
：将所述无噪声数据集输入预先构建的时频域超图神经网络模型框架，以交叉熵损失函数作为网络训练指标，基于梯度下降算法进行训练得到训练好的时频域超图神经网络模型；
S4
：将待诊断传动系统的实时振动信号数据输入所述时频域超图神经网络模型中，获取所述时频域超图神经网络模型输出的故障类型
。2.
根据权利要求1所述的小样本及噪声环境下传动系统故障诊断方法，其特征在于，所述
S2
具体包括：对所述振动信号数据采用如下公式进行归一化处理：式中，
x0表示振动信号原始数据，分别对应振动信号数据
x0和归一化数据
x1的第
i
行，第
j
列数据，分别对应
x0、x1的第
j
列数据；采用滑动窗口对归一化数据
x1进行等窗口长度切分，其中窗口长度为
w
，滑动步长为
l
，则切分后的故障诊断数据集数量
n
满足如下关系式：式中，
[.]
为取整符号，
t
为数据长度，使用滑动窗口机制将归一化数据转化为三维故障诊断数据集
X
，数据集
X
的数据大小为
n
×
w
×
d
，
d
为振动信号通道数，每一个窗口子数据集为
X
k
的数据大小为
w
×
d
，其中
k
为窗口序号；根据数据含噪声程度，将故障诊断数据集划分为无噪声数据集
X
c
和含噪声数据集
X
noisy
。3.
根据权利要求1所述的小样本及噪声环境下传动系统故障诊断方法，其特征在于，所述
S3
之前，所述方法还包括：构建时频域超图神经网络模型框架，所述时频域超图神经网络模型框架包括时频域信息融合模块和超图编码模块
。4.
根据权利要求3所述的小样本及噪声环境下传动系统故障诊断方法，其特征在于，所述构建时频域超图神经网络模型框架具体包括：对每一个子窗口的无噪声时域数据做傅里叶变换后得到对应的频域信号该变换形式满足如下关系式：
式中，
N
为离散信号的序列长度，
ξ
为频域信号索引，为复数的旋转因子；将上述时域信号和频域信号输入至二维卷积网络中，分别提取时域和频域的故障相关特征
Z
i
和该特征提取过程满足如下关系式：式中，
CNN(.)
表示经过卷积网络的特征映射操作，
k1和
k2为数据降维后的特征维...

【专利技术属性】
技术研发人员：陈志文，柯浩彬，樊欣宇，徐佳敏，向超群，杨超，彭涛，
申请(专利权)人：中南大学，
类型：发明
国别省市：