[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

说明书

本发明涉及一种多尺度深度卷积神经网络行星齿轮箱故障诊断方法，其步骤：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；对每一组原始振动信号都进行点数分割，构建样本数据集；利用多尺度一维深度卷积网络进行故障诊断。本发明可以构建出特征提取与故障诊断为一体的智能诊断网络，可以节约大量的人工操作，并且具有诊断精度高，鲁棒性强的特点。

技术领域

本发明涉及一种机械故障诊断技术领域，特别是关于一种多尺度深度卷积神经网络行星齿轮箱故障诊断方法。

背景技术

行星齿轮箱是各种机械设备转速、转矩以及所属动力源的负载的关键，被广泛应用于风力发电机组，航空设备，工程机械设备中。在低速重载的恶劣工作环境中，太阳轮、行星架、行星轮易出现磨损或疲劳裂纹等故障。因此针对行星齿轮箱的故障诊断方法研究，对于提高设备的可靠性以及经济效益具有重要意义。

面对现今大多数传统诊断方法割裂了故障特征提取与诊断识别两部分，在信号特征处理中仍旧需要大量的专家经验较为依赖人工，且人工提取特征的能力较为有限，与此同时传统机器学习的模型较为浅显其泛化能力较低，在多工况情况下分类器表现并不理想。因此，提出一种从特征提取到模式诊断为一体，具有足够特征提取能力，且具有泛化能力的故障诊断模型十分必要。

发明内容

针对上述问题，本发明的目的是提供一种多尺度深度卷积神经网络行星齿轮箱故障诊断方法，该方法可以构建出特征提取与故障诊断为一体的智能诊断网络，可以节约大量的人工操作，并且具有诊断精度高，鲁棒性强的特点。

为实现上述目的，本发明采取以下技术方案：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。

进一步，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)。

进一步，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。