[发明专利]一种基于红外热成像的齿轮箱故障诊断方法

说明书

本发明提出了一种基于红外热成像的齿轮箱故障诊断方法，相比于传统的振动诊断技术，它具有非接触、检测面积大、识别率高和直观可靠等优点。红外热成像诊断技术首先利用红外热像仪采集齿轮箱的红外热谱图；然后，利用卷积神经网络提取故障特征；最后，将故障特征输入到Softmax分类器中，自动识别齿轮箱的不同故障类型。

技术领域

本发明涉及数字信号处理领域，特别涉及一种基于红外热成像的齿轮箱故障诊断方法。

背景技术

齿轮箱作是传递动力的最基本部件，被广泛应用于船舶、矿山、石油化工、铁路运输等各个领域中。齿轮箱通常工作在低速重载恶劣的环境下，易发生磨损和裂纹等不种形式的损伤。如果故障发现不及时，可能引发连锁反应，导致整个传动系统停机，造成重大的经济损失或灾难性事故。因此，开展对齿轮箱故障诊断技术研究对保障其安全运行意义重大。

目前，齿轮箱的故障诊断方法主要包括基于振动信号的故障诊断技术、基于声发射的故障诊断技术和基于热电偶的故障诊断技术等。然而，这些传统方法都存在一定的缺陷。例如，基于振动信号的故障诊断技术检测面积小且难以从非平稳非线性的振动加速度信号中提取故障信息，基于声发射的故障诊断技术穿透能力较差，基于热电偶的故障诊断技术灵敏度较低。鉴于上述测试手段的诸多缺陷，现有的故障诊断技术难以有效解决齿轮箱健康监测和故障诊断的难题。

得益于红外热成像技术的发展，基于红外热谱图的故障诊断技术引起了研究者的广泛关注。红外热成像仪利用物体发出的红外线，能够非接触的捕捉物体表面温度，为故障诊断技术提供了新途径。红外热成像仪具有检测面积大、快速实时、成像直观、灵敏度高和故障信息丰富等优点。然而，目前基于红外热谱图的故障诊断方法主要依赖于专家经验，难以广泛适用。卷积神经网络(CNN)是处理图像识别问题的一种新方法。卷积神经网络可以自动提取原始数据的特征，在不经过对图像前期复杂的预处理的前提下，直接输入原始图像，避免了人工处理而造成的信息损失，能够有效地解决红外热谱图的模式识别问题。

发明内容

本发明解决的技术问题是：本发明提出了一种基于红外热成像，卷积神经网络(CNN)和Softmax分类器的齿轮箱故障诊断框架，能够有效识别齿轮箱7种不同的故障类型。基于红外热谱图和卷积神经网络的优势，本专利提出了基于卷积神经网络与红外热成像的齿轮箱故障诊断技术。首先，利用红外热像仪采集齿轮箱的红外热谱图；然后，利用卷积神经网络提取故障特征；最后，将故障特征输入到Softmax分类器中，自动识别齿轮箱的不同故障类型。

本发明的技术方案是：一种基于红外热成像的齿轮箱故障诊断方法，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(IRT图像)的故障特征，包括以下子步骤：