[发明专利]一种多尺度深度卷积神经网络行星齿轮箱故障诊断方法

权利要求书

1.一种多尺度深度卷积神经网络行星齿轮箱故障诊断方法，其特征在于包括以下步骤：

S1、采集行星齿轮箱在正常运行状态、齿面磨损、行星轮断齿及滚动体轴承缺失四种状态下的原始振动信号x_w＝{x₀,...,x_N}；其中，N代表每组数据点数，w代表数据组别，w＝1、2、3、4，分别代表正常运行状态、齿面磨损，行星轮断齿及滚动体轴承缺失四种状态；

S2、对每一组原始振动信号都进行点数分割，构建样本数据集；

S3、利用多尺度一维深度卷积网络进行故障诊断。

2.如权利要求1所述故障诊断方法，其特征在于，对所述每一组原始振动信号构建样本数据集的方法包括以下步骤：

S21、根据数据点数N设定窗口滑动步长s、窗口长度l，生成样本个数为t，样本d_i＝{x₀,…x_l}，i＝1,2,3,…,t，数据集M＝{d₁,d₂,…d_t}；

S22、设定数据集中测试集与训练集的比例r，则训练集M_a样本数a＝t·r，测试集M_b样本数b＝t·(1-r)。

3.如权利要求2所述故障诊断方法，其特征在于，所述故障诊断过程包括以下步骤：

S31、一维原始振动信号训练集M_a经网络内部参数初始化后，输入三组不同尺度一维深度卷积网络I₁,I₂,I₃的模型进行训练，若训练完成则确定参数，并完成训练网络，反之进行使用反向传播不断更新参数直到训练到达迭代次数完成训练；

S32、使用测试集M_b对三组网络I₁,I₂,I₃进行测试，对比三组网络的诊断准确率，选取诊断准确率最优的一组网络为最优诊断网络；

S33、实时获取实际运行中步骤S1中的行星齿轮箱的原始故障原始信号，传输至步骤S32中的最优诊断网络中，得到当前行星齿轮箱的故障诊断结果。

4.如权利要求3所述故障诊断方法，其特征在于，所述三组不同尺度一维深度卷积网络I₁,I₂,I₃的模型的构建方法为：

(1)构建多个具有不同卷积核尺寸的特征提取层L_j：

(2)使用不同编号特征提取层构建具有三组不同尺度一维深度卷积网络I₁,I₂,I₃的模型。

5.如权利要求4所述故障诊断方法，其特征在于，所述特征提取层L_j为：

式中，分别为通道一、通道二、通道三的一维卷积核，用于特征提取；n₁,n₂,n₃分别为三个通道的一维卷积核的尺寸数值；j＝1,2,3，j为特征提取层的编号。

6.如权利要求5所述故障诊断方法，其特征在于，所述网络结构由三个通道组成，每个通道都包含特征提取层、特征处理层、特征合并层、全连接层和Softmax分类器。

7.如权利要求6所述故障诊断方法，其特征在于，所述特征提取层L_j使用三个通道的一维卷积核进行多尺寸提取，一维原始振动信号经过的卷积核操作后分别输出特征

8.如权利要求7所述故障诊断方法，其特征在于，所述特征处理层中，通道一为一维卷积核叠加通道，通道二为最大池化层与一维卷积核叠加通道，通道三为均值池化层与一维卷积池化叠加通道。