[发明专利]一种基于红外热成像的齿轮箱故障诊断方法

权利要求书

1.一种基于红外热成像的齿轮箱故障诊断方法，其特征在于，包括以下步骤：

步骤1：通过热成像仪获取齿轮箱不同工况下的红外热谱图，构建样本集，包括以下子步骤：

子步骤1：安装齿轮故障实验件，调试齿轮箱系统；

子步骤2：将机械故障模拟试验台的温度初始化为设定温度；

子步骤3：让机械故障模拟试验台在3000rpm的转速下预热，通过红外热成像仪观察IRT图的最高温度，最高温度在齿轮啮合处附近；

子步骤4：当最高温度达到给定温度时，进行红外图像的采集；

子步骤5：将机械故障模拟试验台冷却至初始设定的温度；

子步骤6：选择另一种齿轮故障类型并重复子步骤1-5，采集当前工况下的IRT图，直到实验结束，形成样本集；

步骤2：将步骤1所获取的红外热谱图的样本集分割为训练样本集和测试样本集，其中，每种工况下随机选取35％样本作为训练样本集，剩余65％样本作为测试样本集；

步骤3：采用CNN方法提取步骤2中训练样本集的故障特征，包括以下子步骤：

子步骤1：构建卷积层；定义卷积层使用若干滤波器产生新特征；每个滤波器使用相同的内核来提取输入的局部特征；使用k_l∈R^J×D×H表示第l层中的滤波器内核，其中J，D，H分别表示内核的数量、深度和高度；卷积操作描述为：

式中，是偏置矢量，且是第l层中的第j个输出特征向量，符号*表示点积运算；

子步骤2：构建归一化层，归一化过程可表示为：

x^l＝γ^lx^l-1+β^l

式中，μ_B是的均值，通过μ_B＝E[x^l-1]计算；σ_B是的方差，σ_B＝Var[x^l-1]；ε是一个为保持数值稳定性增加的小常数，γ^l和β^l分别是要学习的比例和移位参数；

子步骤3：构建激活层，输出计算如下：

x^l＝max{x^l-1,0}

子步骤4：构建池化层，池化过程表达为：

x^l＝max_{(j-1)W+1≤i≤jW}{x^l-1(i)}

式中，W是最大池化区域的宽度；

子步骤5：利用子步骤1-4构建的卷积层、归一化层、激活层、池化层构建卷积神经网络，其中，卷积神经网络的输入为IRT图像，输出为故障特征，；

步骤4：将步骤3所得训练样本集的故障特征训练Softmax分类器，构建分类器模型，包括以下子步骤：

子步骤1：D＝{(x⁽¹⁾,y⁽¹⁾),…,(x⁽ⁿ⁾,y⁽ⁿ⁾)}表示训练样本集，其中，x⁽ⁱ⁾(i∈{1,2,…,n})表示训练数据，y^(j)(j∈{1,2,…,n})代表着相应的健康状况标签；Softmax回归计算训练数据属于每个健康状况标签的概率p(y＝k|x；θ)；概率通过假设函数h_θ(x)来得到，如下式所示：

式中，假设函数的输出值是一个k维向量θ₁,θ₂,…,θ_k，也是Softmax分类器的内置参数，通过子步骤2的计算获得；

子步骤2：基于子步骤1的假设函数，通过连续调整来训练Softmax回归模型最小化损失函数，损失函数写成：

式中，1{.}表示指标函数，如果条件为真，则返回1，否则返回0；

子步骤3：通过重复子步骤1和2，得到θ₁,θ₂,…,θ_k的最优解，即为Softmax分类器模型；

步骤5：将步骤3的测试样本的故障特征输输入到步骤4的Softmax分类器模型，实现齿轮箱故障类型的识别。