[发明专利]极小故障样本量下行星齿轮箱故障诊断方法

说明书

本发明公开了在极小故障样本量下行星齿轮箱的故障诊断方法，具体步骤为：利用齿轮箱实验平台模拟出行星齿轮箱实际出现的正常情况以及各种故障模式，获得多方向的状态监测信号，对其进行FFT变换得到频谱数据，按照一定长度划分出样本，根据模式的异同对样本按两两一组形成样本对，送入两个权置共享的SDAE中进行特征提取，采用度量学习方法度量SDAE的输出矢量完成分类训练；使用经FFT处理的正常情况及已知故障模式的真实行星齿轮箱振动信号数据对模型进行微调，完成孪生SDAE的训练；选取每种模式极小样本量的真实数据作为支持集，与待诊断信号组成样本对输入到训练好的孪生SDAE网络，用于真实行星齿轮箱的自动特征提取与故障分类。本发明解决了在极小故障样本量下的行星齿轮箱故障诊断问题。

技术领域

本发明涉及一种在极小故障样本量下的行星齿轮箱故障诊断方法，属于旋转机械故障诊断与健康管理领域。

背景技术

行星齿轮箱以其所具有的传动比大、承载能力强以及效率高等特点，被广泛应用于航空工业、风力发电、船舶等涉及国计民生的大型机械传动系统中。行星齿轮箱长期工作在恶劣的环境下，表面承受交变载荷的影响，容易导致构成行星齿轮箱的关键部件如行星轮、太阳轮等发生故障。行星齿轮箱一旦发生故障，会造成设备及整个传动系统的损坏。正因为如此，这些设备往往受到精密的人工维护，所能够收集到的状态监测数据多数为正常状况下的数据，故障样本数据量极少，而这类机械的人工维护成本较高且对维护者先验知识的要求也较高，不利于推广。因而，这种在故障样本量极小的情况下的行星齿轮箱系统故障诊断成为目前迫切需要解决的难题。

目前在旋转机械故障诊断领域，针对这种极少故障样本量下的故障诊断问题多数是在数据增强层面上解决问题。传统机器学习方法是采用SMOTE算法对故障样本进行随机插值得到大量样本用于训练分类模型，但这种方法容易产生大量无效样本，造成分类精度的降低。随着生成对抗网络(Generative Adversarial Network，GAN)的发展，样本生成技术被广泛应用于旋转机械故障诊断领域，然而通过GAN所学习到的更多的是样本分布上的特点，并没有触及其本质，当面对部分故障模式样本量极小这样的情况，GAN很难甚至无法生成所需的样本。因此，必须构建起一个适用于在极小故障训练样本下的故障诊断模型。

本发明结合深度神经网络、度量学习以及迁移学习这三个方面技术，首先，在实验平台上采集各种模式数据，利用堆栈抗噪自动编码器SDAE提取不同模式的信号特征，然后使用孪生网络对故障样本进行分类。将该模型迁移到真实研究对象数据集上，用真实系统数据微调精细微调系统模型，将真实监测样本数据与待诊断样本形成样本对送入孪生SDAE网络进行分类，解决了在故障样本极小的情况下的行星齿轮箱故障诊断问题。

发明内容

本发明的目的在于提供一种在故障样本极小量的情况下的行星齿轮箱故障诊断方法，通过齿轮箱实验平台模拟实际行星齿轮箱实际运行环境，获取不同模式(如齿轮磨损、裂纹、点蚀、断齿等)的齿轮箱实验平台状态监测振动信号，计算不同模式下的频谱数据；训练基于度量学习的孪生堆栈去噪自动编码器SDAE网络作为诊断模型，其中深度SDAE用于提取频域信号特征，孪生网络通过对特征进行距离度量完成故障分类；将该模型迁移到真实场景下行星齿轮箱故障诊断上来，使用真实场景下的行星齿轮箱极少量真实数据对模型进行精细微调；选用真实数据集种的极少量样本作为支持集，与待诊断样本组成样本对，输入到训练好的孪生SDAE网络，用于行星齿轮箱的振动信号自动特征提取与故障分类。

为了实现上述目的，本发明的极小故障样本量下行星齿轮箱故障诊断方法具体包括以下几个步骤：

步骤1：采集齿轮箱实验平台模拟的各种模式下的监测振动信号，具体过程为：在变转速、变负载环境下，通过更换不同部件如正常齿轮、磨损齿轮、点蚀齿轮以及断齿齿轮来获取不同模式下的齿轮箱的状态监测的轴向、径向、竖直方向的振动信号；

步骤2：对所采集到的三个方向上的振动信号进行FFT频谱分析，FFT分析点数设置为采样频率大小，防止样本长度过长及训练时间较长，将三个方向的信号进行信息融合，根据模式的异同组成样本对；