[發(fā)明專利]基于堆疊消噪自動(dòng)編碼器和門控循環(huán)單元神經(jīng)網(wǎng)絡(luò)的行星齒輪故障識(shí)別方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201811252944.2
• 申請(qǐng)日: 2018-10-25
• 公開（公告）號(hào): CN109060347B
• 公開（公告）日: 2020-01-14
• 發(fā)明（設(shè)計(jì)）人: 于軍;于廣濱
• 申請(qǐng)（專利權(quán)）人: 哈爾濱理工大學(xué)
• 主分類號(hào): G01M13/021
• 分類號(hào): 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

本發(fā)明公開了一種基于SDAE和GRUNN的行星齒輪故障識(shí)別方法，所述方法包括如下步驟：步驟一、構(gòu)建基于SDAE和GRUNN的混合模型，消除輸入數(shù)據(jù)的噪聲成分，處理前后關(guān)聯(lián)的時(shí)序數(shù)據(jù)，自動(dòng)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(xùn)練樣本看作步驟一構(gòu)建的混合模型的輸入數(shù)據(jù)，采用Adam優(yōu)化算法和dropout技術(shù)訓(xùn)練混合模型，防止過擬合現(xiàn)象的發(fā)生；步驟三、根據(jù)訓(xùn)練后的混合模型，利用softmax分類器識(shí)別待診樣本中行星齒輪的狀態(tài)。該方法在訓(xùn)練樣本數(shù)較小的情況下能獲得良好的診斷效果，并具有較強(qiáng)的抗噪能力和時(shí)變轉(zhuǎn)速適應(yīng)能力，為行星齒輪故障識(shí)別提供了一種新穎的解決思路。

技術(shù)領(lǐng)域

本發(fā)明涉及一種行星齒輪故障識(shí)別方法，尤其涉及一種基于堆疊消噪自動(dòng)編碼器(Stacked denoising autoencoder，SDAE)和門控循環(huán)單元神經(jīng)網(wǎng)絡(luò)(Gated recurrentunit neural network，GRUNN)的行星齒輪故障識(shí)別方法。

背景技術(shù)

行星齒輪箱具有傳動(dòng)比大和結(jié)構(gòu)緊湊等特點(diǎn)，已廣泛應(yīng)用于汽車、風(fēng)力發(fā)電和直升機(jī)等設(shè)備的機(jī)械傳動(dòng)系統(tǒng)中。而復(fù)雜惡劣的工作環(huán)境常導(dǎo)致行星齒輪箱內(nèi)部的齒輪發(fā)生裂紋、點(diǎn)蝕和磨損等故障，從而引起整個(gè)系統(tǒng)的失靈，甚至導(dǎo)致巨大的經(jīng)濟(jì)損失。因此，行星齒輪箱的故障診斷對(duì)避免潛在事故的發(fā)生和保障機(jī)械系統(tǒng)的可靠運(yùn)行具有十分重要的意義。

近年來，深度學(xué)習(xí)理論因其強(qiáng)大的特征提取和表示能力而受到學(xué)者的廣泛關(guān)注。它已被成功應(yīng)用于行星齒輪箱的故障診斷中。典型的深度學(xué)習(xí)模型包括深度置信網(wǎng)絡(luò)(Deep belief network，DBN)、堆疊自動(dòng)編碼器(Stacked autoencoder，SAE)、卷積神經(jīng)網(wǎng)絡(luò)(Convolutional neural network，CNN)和循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent neural network，RNN)。DBN雖具有簡單的結(jié)構(gòu)和極強(qiáng)的表示能力，但提取的故障特征常包含大量的冗余信息，從而極大地增加了計(jì)算復(fù)雜度，降低了識(shí)別準(zhǔn)確率。SAE雖具有突出的消噪特性，但其難于準(zhǔn)確表示輸入數(shù)據(jù)與故障類型間的映射關(guān)系。而且，對(duì)于復(fù)雜的非靜態(tài)輸入數(shù)據(jù)，它無法獲得滿意的診斷效果。盡管CNN已成功應(yīng)用于行星齒輪箱的故障診斷，但在噪聲環(huán)境下，其診斷效果會(huì)迅速惡化，難于準(zhǔn)確判斷行星齒輪箱狀態(tài)。RNN常與其它深度學(xué)習(xí)模型相結(jié)合，實(shí)現(xiàn)對(duì)輸入數(shù)據(jù)的消噪處理。然而，基于RNN的故障診斷方法較少應(yīng)用于時(shí)變轉(zhuǎn)速工況下行星齒輪箱的故障診斷。行星齒輪常常運(yùn)行在噪聲環(huán)境和時(shí)變轉(zhuǎn)速工況下，僅能采集到非靜態(tài)的調(diào)制信號(hào)，從而嚴(yán)重影響行星齒輪故障識(shí)別效果。

發(fā)明內(nèi)容

本發(fā)明為了解決噪聲環(huán)境和時(shí)變轉(zhuǎn)速工況下行星齒輪故障識(shí)別問題，提供了一種基于堆疊消噪自動(dòng)編碼器和門控循環(huán)單元神經(jīng)網(wǎng)絡(luò)的行星齒輪故障識(shí)別方法。該方法在訓(xùn)練樣本數(shù)較小的情況下能獲得良好的診斷效果，并具有較強(qiáng)的抗噪能力和時(shí)變轉(zhuǎn)速適應(yīng)能力，為行星齒輪故障識(shí)別提供了一種新穎的解決思路。

本發(fā)明的目的是通過以下技術(shù)方案實(shí)現(xiàn)的：

一種基于SDAE和GRUNN的行星齒輪故障識(shí)別方法，包括如下步驟：

步驟一、構(gòu)建基于SDAE和GRUNN的混合模型，消除輸入數(shù)據(jù)的噪聲成分，處理前后關(guān)聯(lián)的時(shí)序數(shù)據(jù)，自動(dòng)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(xùn)練樣本看作步驟一構(gòu)建的混合模型的輸入數(shù)據(jù)，采用Adam優(yōu)化算法和dropout技術(shù)訓(xùn)練混合模型，防止過擬合現(xiàn)象的發(fā)生；

步驟三、根據(jù)訓(xùn)練后的混合模型，利用softmax分類器識(shí)別待診樣本中行星齒輪的狀態(tài)。

采用本發(fā)明的基于SDAE和GRUNN的行星齒輪故障識(shí)別方法，與其它行星齒輪故障識(shí)別方法相比，本發(fā)明具有如下優(yōu)點(diǎn)：

1、本發(fā)明利用SDAE的堆疊結(jié)構(gòu)和消噪訓(xùn)練自動(dòng)地從噪聲數(shù)據(jù)中提取魯棒故障特征，改進(jìn)同一行星齒輪狀態(tài)的聚類分布，具有較強(qiáng)的抗噪能力。