基于故障敏感特征深度距离测度的传动系统故障检测方法技术方案

公开了一种基于故障敏感特征深度距离测度的传动系统故障检测方法，方法包括：首先利用振动传感器采集锥齿轮正常状态和故障状态的振动信号，并提取信号的时域、频域特征构造样本集；然后计算特征类内类间距离评估其对故障状态的敏感性；将筛选的正常状态的特征输入到深度支持向量数据描述模型中训练进而构造可学习正常样本共有特征的超球体并设定故障阈值；将筛选的正常和故障状态特征输入到Deep

【技术实现步骤摘要】
基于故障敏感特征深度距离测度的传动系统故障检测方法


[0001]本专利技术涉及锥齿轮状态监测领域，具体涉及一种基于故障敏感特征深度距离测度的传动系统故障检测方法。

技术介绍

[0002]火炮、直升机、航空发动机等高端装备的传动系统健康状态监测对整机安全运行至关重要。现有的机械状态监测方法主要是从锥齿轮振动信号提取特征并设定安全阈值判断运行状态。但是所提选取的特征量不一定对故障状态敏感，在实际应用中很有可能出现虚警现象。除此之外，现有故障检测模型往往需要多个故障类别的数据，而在实际应用中很少有完备的故障数据库，限制了其在工业领域的应用。

技术实现思路

[0003]针对现有技术的不足，本专利技术提供了一种基于故障敏感特征深度距离测度的传动系统故障检测方法。采集正常和故障状态的振动信号并进行切片构造样本，对每个样本提取时域、频域特征组成样本特征集，随后计算特征类内和类间距离并定义筛选比例因子剔除对故障不敏感的特征，将正常的特征输入到Deep
‑
SVDD(Deep Support Vector Data Description，深度支持向量数据描述)单分类模型中进行训练，最终实现锥齿轮故障状态检测。
[0004]针对上述目的，本专利技术提出了以下技术路线：一种基于故障敏感特征深度距离测度的传动系统故障检测方法步骤如下：
[0005]步骤1，使用传感器采集传动系统中正常和故障状态锥齿轮的振动信号；
[0006]步骤2，对采集的所述振动信号进行时序分割构造样本集，提取每个样本时频域特征并组成一维特征行向量以构建样本特征集；
[0007]步骤3，计算特征类间和类内距离，特征类间和类内距离的比值为筛选因子，将敏感性大于筛选因子的特征保留，划分训练集均为正常样本，测试集为正常样本和故障样本的组合；
[0008]步骤4，将训练集输入到Deep
‑
SVDD模型中训练学习正常样本的共有特征，确定超球体中心和半径并设定故障阈值；
[0009]步骤5，测试集输入到Deep
‑
SVDD模型中得到特征向量，计算深度距离并与所述故障阈值进行对比以检测锥齿轮故障状态。
[0010]所述的一种基于故障敏感特征深度距离测度的传动系统故障检测方法中，步骤2中，所述样本特征集包括16个时域特征和12个频域特征，其中时域特征包括绝对平均值、均方根值、均方值、方根幅值、峰值、峰峰值、方差、标准差、最大值、最小值、波形指标、峰值指标、脉冲指标、裕度指标、偏斜度和峭度，频域特征包括平均值、重心频率、频率方差、均方频率、均方根频率、频域偏斜度指标、频率幅值方差、频域峭度指标、频率标准差、频域歪度、频域峭度和平方根比率。
[0011]所述的一种基于故障敏感特征深度距离测度的传动系统故障检测方法中，步骤3中，筛选因子为0.3，从28个特征中筛选20个故障特征表征样本状态，划分训练集为400个正常样本，测试集中包含四种故障类型，每种类型100个样本。
[0012]所述的一种基于故障敏感特征深度距离测度的传动系统故障检测方法中，其特征在于，步骤4中，Deep
‑
SVDD模型训练包括以下步骤：
[0013]Deep
‑
SVDD模型包括由线性层组成的自编码器模型，其中，激活函数设置为ReLU函数；Encoder网络中三层线性层维度为128，64，32，Decoder中三层线性层维度为32，64，128，隐层特征编码维度为32；将样本输入到自编码器中并以样本重构损失为目标函数训练网络，将编码器中的隐层特征均值设置为超球体球心c；
[0014]训练自编码器的Encoder网络，损失函数为：
[0015][0016]其中R为超球体半径，n为训练样本的数量，r为数值在0到1的超参数，max{
·
，
·
}函数表示两者之间的最大值，φ(x
i
；θ)参数为θ的Encoder网络，λ为损失平衡系数，N为训练样本数量，||
·
||
F
表示F
‑
范数，L表示网络层数，θ
l
表示第l层的网络参数。，第一项损失目标是最小化超球体半径，第二项损失目标是惩罚在超球体外特征与球心c之间的距离，第三项损失是L2正则项防止网络过拟合，在网络优化时交替更新R，具体方法为固定R训练一定次数后，选取新的超球体半径，选取方式为：
[0017][0018]式中n
out
在球外样本数量，R
old
为更新前的超球体半径，R
new
为更新后的超球体半径。更新R后继续训练，如此迭代更新实现网络训练，最后计算正常特征到球心c的距离确定故障报警阈值。
[0019]所述的一种基于故障敏感特征深度距离测度的传动系统故障检测方法中，步骤5中，深度距离为测试样本输入到Encoder网络中输出的特征向量与中心点c之间的欧式距离；如果采集的样本特征输入到模型中所计算的深度距离连续三次超过预设故障阈值，则认为锥齿轮出现故障。
[0020]与现有技术相比，本专利技术通过计算类内类间距离定义筛选因子可以剔除对故障不敏感的特征，采用的Deep
‑
SVDD模型无需故障数据训练即可在测试阶段判断锥齿轮故障状态。该方法不依赖专家知识，检测效率高，为后续维修决策提供基础。
附图说明
[0021]图1是本公开一个实施例提供的一种基于故障敏感特征深度距离测度的传动系统故障检测方法的流程图；
[0022]图2是本公开一个实施例提供的一种四种锥齿轮故障示意图；
[0023]图3是本公开一个实施例提供的所提取28个时频特征的敏感度因子示意图；
[0024]图4是本公开一个实施例提供经过特征筛选的测试集样本计算的深度距离和真实标签对比的示意图；
[0025]图5是本公开一个实施例提供没有经过特征筛选的测试集样本计算的深度距离和
真实标签对比的示意图。
具体实施方式
[0026]为了更好地说明本申请的技术方案，以下将参照附图1至图5对本专利技术进行更详细的描述。需要强调的是，关于本专利技术实施方式的详细描述并非旨在限制保护要求本专利技术的范围，而是为了能够更加透彻地理解本专利技术，关于本专利技术的研究范围也不应该被这里的阐述所限制。
[0027]需要说明的是，在说明书及权利要求当中使用了某些词汇来指称特定组件。本领域技术人员应可以理解，技术人员可能会用不同名词来称呼同一个组件。本说明书及权利要求并不以名词的差异作为区分组件的方式，而是以组件在功能上的差异作为区分的准则。如在通篇说明书及权利要求当中所提及的“包含”或“包括”为一开放式用语，故应解释成“包含但不限定于”。说明书后续描述为实施本专利技术的较佳实施方式，然所述描述乃以说明书的一般原则为目的，并非用以限定本专利技术的范围。本专利技术的保护范围当视所附权利要求所界定者为准。
[0028]为便于对本发本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于故障敏感特征深度距离测度的传动系统故障检测方法，其特征在于，所述的方法包括以下步骤：步骤1，使用传感器采集传动系统中正常状态和故障状态锥齿轮的振动信号；步骤2，对采集的所述振动信号进行时序分割构造样本集，提取每个样本时频域特征并组成一维特征行向量以构建样本特征集；步骤3，计算特征类间和类内距离，特征类间和类内距离的比值为筛选因子，将敏感性大于筛选因子的特征保留，划分训练集均为正常样本，测试集为正常样本和故障样本的组合；步骤4，将训练集输入到Deep
‑
SVDD模型中训练学习正常样本的共有特征，确定超球体中心和半径并设定故障阈值；步骤5，测试集输入到Deep
‑
SVDD模型中得到特征向量，计算深度距离并与所述故障阈值进行对比以检测锥齿轮故障状态。2.根据权利要求1所述的一种基于故障敏感特征深度距离测度的传动系统故障检测方法，其特征在于，优选的，步骤2中，所述样本特征集包括16个时域特征和12个频域特征，其中时域特征包括绝对平均值、均方根值、均方值、方根幅值、峰值、峰峰值、方差、标准差、最大值、最小值、波形指标、峰值指标、脉冲指标、裕度指标、偏斜度和峭度，频域特征包括平均值、重心频率、频率方差、均方频率、均方根频率、频域偏斜度指标、频率幅值方差、频域峭度指标、频率标准差、频域歪度、频域峭度和平方根比率。3.根据权利要求1所述的一种基于故障敏感特征深度距离测度的传动系统故障检测方法，其特征在于，步骤3中，筛选因子为0.3，从28个特征中筛选20个故障特征表征样本状态，划分训练集为400个正常样本，测试集中包含四种故障类型，每种类型100个样本。4.根据权利要求1所述的一种基于故障敏感特征深度距离测度的传动系统故障检测方法，其特征在于，步骤4中，Deep
‑
SVDD模型训练包括以...

【专利技术属性】
技术研发人员：孙闯，李亚松，杨远贵，许洪，陈雪峰，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：