基于多属性卷积神经网络的变工况行星齿轮箱太阳轮故障诊断方法.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CN107491606A(43)申请公布日2017.12.19(21)申请号201710705029.3(22)申请日2017.08.17(71)申请人安徽工业大学地址243002安徽省马鞍山市湖东中路59号(72)发明人单建华佘慧莉吕钦张神林王孝义(74)专利代理机构南京知识律师事务所32207代理人蒋海军(51)Int.Cl.G06F17/50(2006.01)G06N3/04(2006.01)G01M13/02(2006.01)权利要求书2页说明书9页附图3页(54)发明名称基于多属性卷积神经网络的变工况行星齿轮箱太阳轮故障诊断方法(57)摘要本发明公开一种基于多属性卷积神经网络的变工况行星齿轮箱太阳轮故障诊断方法，属于机械故障诊断技术领域。该方法首先采集行星齿轮箱太阳轮不同故障类型、不同转速、不同负载工况下的行星齿轮箱的振动数据，从振动数据中创建多个样本点并赋予相应的多属性标签，搭建多属性卷积神经网络，训练多属性卷积神经网络，测试时从待诊断的行星齿轮箱的振动数据中创建多个数据样本点，用训练好的多属性卷积神经网络对测试样本点进行诊断，完成对变工况行星齿轮箱太阳轮故障诊断。本发明方法能够自动提取特征，准确率高，泛化性能强，方法简单易懂，且能实现变工况下故障诊断，能同时预测转速，易于工程推广。CN107491606ACN107491606A权利要求书1/2页1.一种基于多属性卷积神经网络的变工况行星齿轮箱太阳轮故障诊断方法，其特征在于所述诊断方法具体步骤如下：(1)数据准备阶段：采集行星齿轮箱太阳轮的不同故障类型、不同转速及不同负载工况下的行星齿轮箱的振动数据，从振动数据中创建多个样本点，所述样本点包括数据和多属性标签，所述样本点构成训练数据库，训练数据库由训练集和验证集组成；(2)创建阶段：创建多属性卷积神经网络；(3)训练阶段：利用训练数据库来训练多属性卷积神经网络，获得网络参数；(4)测试阶段：采集待诊断的行星齿轮箱的振动数据，从振动数据中创建多个数据样本点，用训练好的多属性卷积神经网络对所述数据样本点进行故障诊断。2.根据权利要求1所述的故障诊断方法，其特征在于步骤(1)中所述样本点和步骤(4)中所述数据样本点中的数据创建方式为：优先采用随机方式创建，即在随机位置处截取振动数据中的大于一个数据周期长度的最小整数个连续数据点作为一个样本点数据，优先选择k*2n个数据点作为一个样本点数据，其中k＝1、3、5，n是整数；行星齿轮箱太阳轮旋转一周，采样的数据点个数定义为数据周期；变工况条件下，行星齿轮箱太阳轮转速是不同的，样本点数据长度为大于太阳轮最小转速对应的数据周期的最小整数，且能表示为k*2n，其中k＝1、3、5，n是整数。3.根据权利要求1所述的故障诊断方法，其特征在于所述步骤(1)中所述多属性标签创建方式为：行星齿轮箱的多属性的数目为M，则样本点多属性标签有M维，每维数值是属性种类的序号。4.根据权利要求1所述的故障诊断方法，其特征在于所述步骤(2)中所述多属性卷积神经网络的创建方式为：所述多属性卷积神经网络包含输入层、卷积层、最大池化层、平均池化层及软最大化输出层，每层卷积层后接一个激活层，激活函数采用偏移修正线性单元，具体表达式为max(-1，x)，每层激活层后面接一个最大池化层；卷积层的卷积模板尺寸采用大尺寸的卷积模板，如11*1、9*1、7*1、5*1，卷积层步长为1*1；最大池化层池化窗口为2*1，步长为2*1；输入层大小为H*1*K，其中H为样本点数据长度，K为数据维度即传感器数目；软最大化输出层由M个得分向量组成；变工况行星齿轮箱的每个属性用一个得分向量表示，每个得分向量的维数等于属性种类数目；多属性卷积神经网络的风险损失是M个交叉熵函数的加权平均值；所述的多属性卷积神经网络的一个样本点i的风险损失为：式中：M是属性数目，Lik是属性k的风险损失，λk是属性k的权重，向量sk是属性k的得分向量，nk是属性k的属性种类数目，向量yi是多属性标签，yik为属性k的多属性标签的序号。2CN107491606A权利要求书2/2页5.根据权利要求1所述的故障诊断方法，其特征在于所述步骤(3)为：用训练数据库进行多属性卷积神经网络训练时，每次选取批量数进行训练网络，每次批量数包含的样本点均不同，直到训练结束，这样每个样本点只参与一次训练；所有这些批量数样本点构成了训练集；对于行星齿轮箱太阳轮转速较小的工况，批量数中样本点比例要增大，以提高网络预测精度；验证集包含的样本点固定。6.根据权利要求1所述的故障诊断方法，其特征在于所述步骤(4)为：将待诊断的行星齿轮箱的样本点数据输入训练好的多属性卷积神经网络中，软最大化输出层输出M个得分向量，每个