一种基于强化胶囊网络的行星齿轮箱故障诊断方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN110657984A(43)申请公布日2020.01.07(21)申请号201910925753.6(22)申请日2019.09.27(71)申请人重庆大学地址400044重庆市沙坪坝区沙正街174号(72)发明人李琪康汤宝平余晓霞(74)专利代理机构重庆博凯知识产权代理有限公司50212代理人胡逸然(51)Int.Cl.G01M13/021(2019.01)G01M13/025(2019.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书1页说明书8页附图5页(54)发明名称一种基于强化胶囊网络的行星齿轮箱故障诊断方法(57)摘要本发明公开了一种基于强化胶囊网络的行星齿轮箱故障诊断方法，包括如下步骤：S1、获取待诊断数据；S2、将待诊断数据输入强化胶囊网络，所述强化胶囊网络包括卷积层、Primary胶囊层、Digit胶囊层及解码层，其中，卷积层包括第一卷积层及第二卷积层，第一卷积层的空洞因子大于1，第二卷积层的空洞因子等于1；S3、所述强化胶囊网络输出故障诊断结果。与现有技术相比，本发明中的强化胶囊网络，首先在采用空洞卷积(第一卷积层)进行特征提取，在保证参数量不变的前提下增大卷积核的感受视野，以增强强化胶囊网络的非线性能力，从而提高了行星齿轮箱故障诊断中的信息提取和特征学习能力。CN110657984ACN110657984A权利要求书1/1页1.一种基于强化胶囊网络的行星齿轮箱故障诊断方法，其特征在于，包括如下步骤：S1、获取待诊断数据；S2、将待诊断数据输入强化胶囊网络，所述强化胶囊网络包括卷积层、Primary胶囊层、Digit胶囊层及解码层，其中，卷积层包括第一卷积层及第二卷积层，第一卷积层的空洞因子大于1，第二卷积层的空洞因子等于1；S3、所述强化胶囊网络输出故障诊断结果。2.如权利要求1所述的基于强化胶囊网络的行星齿轮箱故障诊断方法，其特征在于，步骤S1包括：S101、获取原始数据；S102、采用小波包对原始数据进行分解并构建时频系数矩阵；S103、将时频系数矩阵作为待诊断数据。3.如权利要求1所述的基于强化胶囊网络的行星齿轮箱故障诊断方法，其特征在于，第一空洞卷积层的卷积核大小计算表达式为：N＝k+(k-1)×(d-1)式中，N表示第一卷积层的卷积核大小，k表示第二卷积层的卷积核大小，d表示空洞因子。4.如权利要求1所述的基于强化胶囊网络的行星齿轮箱故障诊断方法，其特征在于，还包括：在Primary胶囊层引入重叠系数θ，在对原标量特征进行离散分割过程中，对部分标量特征层重新使用；引入重叠系数θ后的Primary胶囊层的计算表达式为：式中，为第l个胶囊层的第i个胶囊，Mk为该层的第k个映射区域，uij为上层卷积特征层中第j个特征对应映射到第i个胶囊区域的向量矩阵，wij为该映射过程对应特征向量的卷积核矩阵，bij为对应的添加的偏置矩阵，N表示卷积特征层层数，Nc表示胶囊长度，θ为重叠系数，Z表示胶囊层总数。5.如权利要求4所述的基于强化胶囊网络的行星齿轮箱故障诊断方法，其特征在于，θ的取值范围为离散值序列，式中，l取0到L之间的整数值，L表示胶囊长度。2CN110657984A说明书1/8页一种基于强化胶囊网络的行星齿轮箱故障诊断方法技术领域[0001]本发明涉及仿真分析技术领域，具体涉及一种基于强化胶囊网络的行星齿轮箱故障诊断方法。背景技术[0002]行星齿轮箱具备大传动比、高传动效率等优点，广泛应用于航空航天、汽车等重工业中。然而，行星齿轮箱结构复杂，长期工作在变转速、变负载的恶劣工况下，极易发生故障，其健康状态直接影响企业人身安全和经济效益。开展行星齿轮箱的故障诊断研究具有重要意义。[0003]深度学习是当前人工智能领域的研究热点，因其深层的网络结构具备较强的非线性表征，且具备强大的自适应特征学习能力，避免人工提取特征的不确定性，已被应用于行星齿轮箱的故障诊断中。有研究人员将振动数据进行集合经验模式分解，再结合深度置信网络(DeepBeliefNetwork,DBN)应用于行星齿轮箱的故障诊断；还有研究人员通过提取低层频域信号的包络得到频域变化表征信息，并与深度自编码器(DeepAuto-Encoder,DAE)结合进行齿轮箱故障诊断；还有研究人员通过小波包变换获取振动信号的时频特征，再将时频特征作为CNN(ConvolutionalNeuralNetwork)的输入进行行星齿轮箱的故障诊断。然而，DBN和DAE通常采用全连接，训练参数较多，模型不易训练；CNN网络采用局部连接方式具备权值共享特性，且通过池化层结构能够大幅减少网络参数，有效提高网络训练效率，一定程度上克服了DBN和DAE的不足，