基于内置编码器信号的行星齿轮箱智能故障诊断方法.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CN108106841A(43)申请公布日2018.06.01(21)申请号201711397302.7(22)申请日2017.12.21(71)申请人西安交通大学地址710049陕西省西安市碑林区咸宁西路28号(72)发明人林京焦金阳赵健赵明(74)专利代理机构西安智大知识产权代理事务所61215代理人贺建斌(51)Int.Cl.G01M13/02(2006.01)权利要求书1页说明书4页附图3页(54)发明名称基于内置编码器信号的行星齿轮箱智能故障诊断方法(57)摘要基于内置编码器信号的行星齿轮箱智能故障诊断方法，先利用编码器数据采集卡读取行星齿轮箱中输出轴位置的内置编码器信号，得到测试轴的角位置信号，然后采用多项式拟合法获取行星齿轮箱的瞬时角加速度信号，对瞬时角加速度信号进行分段得到训练集、验证集和测试集；再构建深度卷积神经网络模型；然后利用训练集训练深度卷积神经网络模型，通过验证集和批随机梯度下降法调整每层网络的参数，得到最终的卷积神经网络模型；最后将测试数据输入卷积神经网络模型，对故障进行识别和分类；本发明简化了数据采集程序、降低了测试费用，同时信号包含大量的健康状态信息，使用卷积神经网络易于故障特征的提取和监测诊断的智能化和自动化。CN108106841ACN108106841A权利要求书1/1页1.基于内置编码器信号的行星齿轮箱智能故障诊断方法，其特征在于，包括以下步骤：步骤一，对于不同的健康状态的行星齿轮箱，利用编码器数据采集卡读取行星齿轮箱中输出轴位置的内置编码器信号，得到测试轴的角位置信号，记为x(t)；步骤二，采用多项式拟合法获取行星齿轮箱的瞬态运动信息，对x(t)进行多项式拟合，并进行二阶差分得到瞬时角加速度信号a(t)；步骤三，对步骤二中的瞬时角加速度信号a(t)进行分段得到训练集、验证集和测试集；步骤四，构建深度卷积神经网络模型，深度卷积神经网络模型包括卷积层、池化层、全连接层和分类器输出层，并初始化每一层网络的参数，其中卷积、池化及全连接层用于特征提取，分类器输出层用于故障识别和分类；步骤五，利用步骤三得到的训练集训练步骤四的深度卷积神经网络模型，通过验证集和批随机梯度下降法调整每层网络的参数，得到最终的卷积神经网络模型；步骤六，将测试数据输入步骤五最终的卷积神经网络模型，对故障进行识别和分类。2.根据权利要求1所述的基于内置编码器信号的行星齿轮箱智能故障诊断方法，其特征在于：所述的卷积神经网络模型包括1个输入层、2个卷积层与池化层、1个全连接层、1个Dropout层和1个分类输出层。2CN108106841A说明书1/4页基于内置编码器信号的行星齿轮箱智能故障诊断方法技术领域[0001]本发明涉及行星齿轮箱故障诊断技术领域，特别涉及基于内置编码器信号的行星齿轮箱智能故障诊断方法。背景技术[0002]行星齿轮箱由于结构紧凑，传动比大和承载能力强等优点被广泛应用于汽车、船舶、风电、航空等领域，然而由于受制造安装误差，恶劣工作环境的影响，太阳轮、行星轮和内齿圈等关键部件经常发生各种故障。一旦行星齿轮箱发生故障，轻则引起机械设备停机，重则带来巨大财产损失甚至人员伤亡，因此，对行星齿轮箱进行健康监测和故障诊断具有重要意义。[0003]不同于传统的定轴齿轮箱，行星齿轮箱中的齿轮运动是典型的复合运动，其振动信号相应比传统的齿轮箱更为复杂，使得常用的定轴齿轮箱的信号分析方法无法完全照搬。在行星齿轮箱中，振动传感器测得的信号为多个齿啮合振动的耦合，且易受传递路径及其他部件的干扰。甚至在一些应用中，传感器的安装也受到一定的限制：如航空发动机中由于结构的限制及高温的工作环境使得传感器安装困难，综上这些问题都加大了行星齿轮箱故障诊断的难度。[0004]近年来，内置编码器信号由于受传递路径影响小，安装限制小，信噪比高，且包含丰富的机械健康状态信息等优点，已经吸引了大量学者基于该信号进行行星齿轮箱故障诊断研究。但是目前使用编码器信号进行故障诊断通常需要繁琐的信号处理方法，逐步提取故障相关的特征进行诊断，该过程依靠许多主观因素、专业知识和先验知识。因此这些方法可能会漏掉一些故障特征，且易造成误诊和漏诊，使得行星齿轮箱故障诊断精度较低。发明内容[0005]为了克服上述现有技术的缺点，本发明的目的在于提供了一种基于内置编码器信号的行星齿轮箱智能故障诊断方法，简化了数据采集程序，同时信号包含大量的健康状态信息，使用卷积神经网络易于故障特征的提取和监测诊断的智能化和自动化。[0006]为了达到上述目的，本发明采取的技术方案为：[0007]基于内置编码器信号的行星齿轮箱智能故障诊断方法，包括以下步骤：[0008]步骤一，对于不同的健康状态的行星齿轮箱，利用编码器