【技术实现步骤摘要】
本专利技术涉及轧机传动系统故障诊断，具体为一种基于深度学习的轧机主传动齿轮箱故障诊断方法。
技术介绍
1、轧机的健康平稳运行是工业生产的重要保障，滚动轴承作为轧机设备的重要组成部分，在长时间高负载的工作环境下，可能会出现各种的故障，造成生产损失和人身安全等问题。近年来，各种监测和诊断滚动轴承的技术逐渐发展起来。目前，基于监测齿轮箱轴承设备振动信号的轴承系统故障检测方法应用较为广泛。如专利号cn114462480a提供一种基于非均衡数据集下的多源传感器轧机故障诊断的方法，获取轧机轴承的振动信号和声音信号，改进的一维卷积神经网络用于提取一维声音信号数据信息；改进的二维卷积神经网络用于提取二维声音信号数据信息；该方法可以减少样本不均衡带来的诊断率过低的问题，实现轧机的高故障诊断率。专利号cn115127806a提供一种基于多传感器振动信号的齿轮箱故障诊断方法及装置，通过多个加速度传感器获取待检测齿轮箱多个不同测量点的振动信号；将融合后的数据进行小波变换得到时频图像；将所述时频图像输入基于卷积神经网络训练生成的智能故障诊断模型，输出所述齿轮箱对应的故障诊断结果。
2、相较于一般性旋转机械重载轴承，轧机设备齿轮箱轴承通常工作在高温、高湿、重粉尘等更为极端的环境下，面临变速、变载荷等更为复杂的工况。而在变速变载荷的工况下，故障特征频率实时变化，难以追踪，且轧机轴承故障产生的冲击信号能量较弱易被设备的其他部分产生的噪声掩盖或扭曲，导致振动信号对于轴承早期故障缺乏响应。基于声音信号监测的轴承系统故障诊断方法应用变得越来越多。声音信号
3、综上所述，如何开发出一套完整的针对轧机齿轮箱故障诊断方法对其进行及时有效的在线监测并正确判断其零部件故障位置及其失效形式是目前冶金行业从业人员亟需解决的问题。
技术实现思路
1、本专利技术的目的在于提供一种基于深度学习的轧机主传动齿轮箱故障诊断方法，为板带轧机主传动系统齿轮箱失效部位提供在线监测与故障诊断，以解决上述
技术介绍
中提出的问题。
2、为实现上述目的，本专利技术提供如下技术方案：
3、一种基于深度学习的轧机主传动齿轮箱故障诊断方法，包括以下步骤：
4、s1：采集轧机主传动减速箱运行时的振动和声音信号，并将采集结果分为训练样本、测试样本、验证样本；
5、s2：构建双通道小波-变分模态分解融合网络模型，初始化模型参数；
6、s3：将所采集的轧机主传动齿轮箱振动信号通过连续小波变换转换成小波时频图作为二维卷积神经网络的输入；
7、s4：将采集的一维轧机声音信号作为变分模态分解网络的输入；
8、s5：经过多次迭代寻优，用训练样本训练模型判断误差是否满足要求，测试样本微调模型参数取最优的模型超参数和训练参数，建立故障多分类模型；
9、s6：根据测试样本的预测标签与真实标签对比，获取模型故障识别的准确率，用于衡量诊断模型的性能。
10、进一步地，s1中采集振动和声音特征信号的具体方法为：利用变分模态分解的方法进行振动和声音信号的分解，并以分解后各模态分量的小波包能量作为最终的特征向量，用于满足分类模型对轧机主传动减速箱振动和声音信号特征信号准确性的要求。
11、进一步地，利用小波包分解对各模态分量进行处理后，将各节点的小波包能量值占比作为故障特征向量，各频带对应的小波包能量值集合e表达式如下：
12、
13、其中，p为小波包分解的分解层数，ep,k(k＝0,1,...,2p-1)为各节点对应的小波包能量值。
14、进一步地，变分模态分解方法参数自适应选取采用哈里斯鹰优化方法对模态数k和二次惩罚系数α进行搜索和开发，具体为：利用变分模态分解的算法搜寻约束变分模型的最优解将信号x(t)分解为k个有限带宽的分量信号uk，约束变分模型为：
15、uk(t)＝ak(t)cos(φk(t))
16、其中：ak(t)为中心模态分量的瞬时幅值；ωk(t)＝φk'(t)为中心模态分量的瞬时频率，uk为信号的第k个本征模态函数。
17、进一步地，针对小波分解后的真实信号和噪声信号，采用平方包络谱体现轧机主传动减速箱故障频率及其倍频成分：
18、ses(f)＝f[se(x(t))]
19、其中：x(t)为待分析时域信号；f为傅里叶变换函数；se(x(t))为x(t)平方包络信号，其通过对x(t)计算希尔伯特包络再平方得到，f为分析后的频率。
20、进一步地，在哈里斯鹰优化方法优化变分模态分解的过程中通过确定一个适应度函数用于评价优化结果的优劣，采用特征频率能量比相反数rf作为适应度函数来定量描述优化结果的优劣，rf值越小故障特征频率越明显，其表达式为：
21、
22、其中：es为频谱能量序列；sum(es)为计算频谱总能量；max表示求该序列的最大值，用于容许理论与实际故障特征频率之间的误差，其容许误差值设为±2hz；es(if-2,if-1,...,if+2)表示频率f-2到f+2之间的频谱能量序列。
23、与现有技术相比，本专利技术的有益效果是：
24、1、本专利技术的基于深度学习的轧机主传动齿轮箱故障诊断方法，结合信号处理和深度学习神经网络技术，对轧机主传动系统齿轮箱进行状态监控与故障诊断，节省了人工成本，填补了轧机设备故障诊断领域的空白，大大增强了齿轮箱故障诊断的时效性，检测灵敏度高，检测结果更为准确，设备布置方便，设备故障诊断结果直观。
25、2、本专利技术的基于深度学习的轧机主传动齿轮箱故障诊断方法，同时采集声音和振动信号，并分别采用不同的方法从一维空间和二维空间提取转换信号，得到的结果较一维空间更加准确，且本方法采用的优化方法使得优化后的结果更能准确表现轧机主传动出轮箱的变化趋势。
26、3、本专利技术的基于深度学习的轧机主传动齿轮箱故障诊断方法，在同时处理声音信号跟振动信号时构建双通道小波-变分模态分解融合网络模型，针对不同信号的特性，采用的也是双通道处理的方法，并在处理后利用改进后的哈里斯鹰优化方法优化提取的数据，得到后的结果更加准确。
本文档来自技高网...【技术保护点】
1.一种基于深度学习的轧机主传动齿轮箱故障诊断方法，其特征在于：包括以下步骤：
2.如权利要求1所述的一种基于深度学习的轧机主传动齿轮箱故障诊断方法，其特征在于：S1中采集振动和声音特征信号的具体方法为：利用变分模态分解的方法进行振动和声音信号的分解，并以分解后各模态分量的小波包能量作为最终的特征向量，用于满足分类模型对轧机主传动减速箱振动和声音信号特征信号准确性的要求。
3.如权利要求2所述的一种基于深度学习的轧机主传动齿轮箱故障诊断方法，其特征在于：利用小波包分解对各模态分量进行处理后，将各节点的小波包能量值占比作为故障特征向量，各频带对应的小波包能量值集合E表达式如下：
4.如权利要求3所述的一种基于深度学习的轧机主传动齿轮箱故障诊断方法，其特征在于：变分模态分解方法参数自适应选取采用哈里斯鹰优化方法对模态数K和二次惩罚系数α进行搜索和开发，具体为：利用变分模态分解的算法搜寻约束变分模型的最优解将信号x(t)分解为K个有限带宽的分量信号uk，约束变分模型为：
5.如权利要求4所述的一种基于深度学习的轧机主传动齿轮箱故障诊断方法
6.如权利要求4所述的一种基于深度学习的轧机主传动齿轮箱故障诊断方法，其特征在于：在哈里斯鹰优化方法优化变分模态分解的过程中通过确定一个适应度函数用于评价优化结果的优劣，采用特征频率能量比相反数Rf作为适应度函数来定量描述优化结果的优劣，Rf值越小故障特征频率越明显，其表达式为：
...【技术特征摘要】
1.一种基于深度学习的轧机主传动齿轮箱故障诊断方法，其特征在于：包括以下步骤：
2.如权利要求1所述的一种基于深度学习的轧机主传动齿轮箱故障诊断方法，其特征在于：s1中采集振动和声音特征信号的具体方法为：利用变分模态分解的方法进行振动和声音信号的分解，并以分解后各模态分量的小波包能量作为最终的特征向量，用于满足分类模型对轧机主传动减速箱振动和声音信号特征信号准确性的要求。
3.如权利要求2所述的一种基于深度学习的轧机主传动齿轮箱故障诊断方法，其特征在于：利用小波包分解对各模态分量进行处理后，将各节点的小波包能量值占比作为故障特征向量，各频带对应的小波包能量值集合e表达式如下：
4.如权利要求3所述的一种基于深度学习的轧机主传动齿轮箱故障诊断方法，其特征在...
【专利技术属性】
技术研发人员：郭俊阳，杜克飞，陈立君，胡德勇，章宏城，汤支惠，吕伟，潘祥，裴久泽，许祥，
申请(专利权)人：马鞍山钢铁股份有限公司，
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。