[發明專利]基于堆疊消噪自動編碼器和門控循環單元神經網絡的行星齒輪故障識別方法

有效

• 申請號: 201811252944.2
• 申請日: 2018-10-25
• 公開（公告）號: CN109060347B
• 公開（公告）日: 2020-01-14
• 發明（設計）人: 于軍;于廣濱
• 申請（專利權）人: 哈爾濱理工大學
• 主分類號: G01M13/021
• 分類號: G01M13/021
• 代理公司: 23206 哈爾濱龍科專利代理有限公司
• 代理人: 高媛

1.一種基于SDAE和GRUNN的行星齒輪故障識別方法，其特征在于所述方法包括如下步驟：

步驟一、構建基于SDAE和GRUNN的混合模型，消除輸入數據的噪聲成分，處理前后關聯的時序數據，自動地從含噪樣本中提取魯棒故障特征；

步驟二、將行星齒輪故障診斷的訓練樣本看作步驟一構建的混合模型的輸入數據，采用Adam優化算法和dropout技術訓練混合模型，防止過擬合現象的發生，其中：采用Adam優化算法和dropout技術訓練混合模型的具體步驟如下：

步驟二一、設置添加進SDAE輸入數據中的噪聲比例，通過最小化輸入和輸出的重構誤差，實現SDAE各隱層參數的初始化；

步驟二二、設置dropout率，并將dropout技術應用于混合模型，從而獲得“較稀薄的”深度學習模型；

步驟二三、計算softmax分類器輸出的概率分布與目標類的概率分布之間的交叉熵損失函數，并將其作為Adam優化算法中的目標函數；

步驟二四、設置Adam優化算法的學習率α、兩個矩估計指數衰減率β₁和β₂、數值穩定常數ε，并將Adam優化算法用于訓練步驟二二獲得的深度學習模型；

步驟三、根據訓練后的混合模型，利用softmax分類器識別待診樣本中行星齒輪的狀態。

2.根據權利要求1所述的基于SDAE和GRUNN的行星齒輪故障識別方法，其特征在于所述步驟一中，基于SDAE和GRUNN的混合模型由SDAE、GRUNN和softmax分類器組成，將SDAE的輸出看作GRUNN的輸入，從而提取輸入信號的故障特征，softmax分類器將提取的故障特征轉換為行星齒輪狀態的概率分布。

3.根據權利要求2所述的基于SDAE和GRUNN的行星齒輪故障識別方法，其特征在于所述SDAE的輸入數據為行星齒輪振動的時域信號。

4.根據權利要求1所述的基于SDAE和GRUNN的行星齒輪故障識別方法，其特征在于所述交叉熵損失函數的計算公式如下：

式中，p(x)為目標類的概率分布，q(x)為softmax分類器輸出的概率分布。