[發(fā)明專利]一種多尺度結(jié)構(gòu)與特征融合的齒輪箱智能故障診斷方法

在審

• 申請?zhí)枺?/td>: 202011055494.5
• 申請日: 2020-09-25
• 公開（公告）號: CN112116029A
• 公開（公告）日: 2020-12-22
• 發(fā)明（設(shè)計）人: 尚志武;李萬祥;高茂生;俞燕;周士琦;張寶仁;劉飛;龐海玉
• 申請（專利權(quán)）人: 天津工業(yè)大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發(fā)明公開了一種多尺度結(jié)構(gòu)與特征融合的齒輪箱智能故障診斷方法，包括以下步驟：多尺度深度特征提取結(jié)構(gòu)設(shè)計、基于信息熵的深度特征融合策略設(shè)計、基于深度置信網(wǎng)絡(luò)的健康狀態(tài)識別。本發(fā)明克服單一深度學習神經(jīng)網(wǎng)絡(luò)模型診斷精度不高、穩(wěn)定性差和特征提取不足的缺陷，增強噪聲干擾下的特征提取作用，保證融合后的深度特征具有更好的魯棒性和代表性，從而實現(xiàn)齒輪箱的高精度診斷。

技術(shù)領(lǐng)域

本發(fā)明涉及一種多尺度結(jié)構(gòu)與特征融合的齒輪箱智能故障診斷方法。

背景技術(shù)

在工業(yè)領(lǐng)域中，齒輪箱作為旋轉(zhuǎn)機械的典型代表被廣泛應(yīng)用，對社會的進步起到促進作用。隨著科學技術(shù)的發(fā)展，旋轉(zhuǎn)機械朝著自動化、智能化和高速度的方向發(fā)展，使得齒輪箱長期處于高溫、高壓和高負荷的環(huán)境下運行。因此，迫使齒輪箱不可避免的發(fā)生故障，使得必須對齒輪箱進行相關(guān)的故障診斷和監(jiān)測。

傳統(tǒng)的智能故障診斷方法，如基于BP神經(jīng)網(wǎng)絡(luò)、支持向量機、隨機深林、貝葉斯分類器等淺層學習算法在故障診斷領(lǐng)域中取得很大研究進展。但是，由于基于淺層學習的故障診斷方法的結(jié)構(gòu)簡單，無法準確的表達復(fù)雜非線性的關(guān)系，且該類方法很大程度上需要依賴于信號處理技術(shù)的特征提取方法。另外，該類方法實現(xiàn)故障診斷的效率和泛化能力低。此外，基于深度學習的智能故障診斷方法也已經(jīng)成為研究的熱點內(nèi)容。但是，目前的深度神經(jīng)網(wǎng)絡(luò)的故障診斷的研究主要針對單一模型的性能研究。然而，由于采集的信號中往往含有大量的噪聲，利用單一深度神經(jīng)網(wǎng)絡(luò)對齒輪箱進行診斷存在準確率低、穩(wěn)定下差及泛化能力低的問題。造成這些問題的關(guān)鍵所在是，單一的深度神經(jīng)網(wǎng)絡(luò)從原始振動信號中提取的深度特征信息不完整包含噪聲特征，使得深度特征的代表性差，嚴重影響模型診斷結(jié)果，進而造成模型的穩(wěn)定性差。

因此，結(jié)合國內(nèi)外齒輪箱故障診斷的研究形式，迫切需要開發(fā)一種新型的智能故障診斷方法實現(xiàn)齒輪箱高精度的診斷，提高網(wǎng)絡(luò)模型的泛化能力，確保診斷結(jié)果的穩(wěn)定性。

發(fā)明內(nèi)容

本發(fā)明的目的是為了解決上述問題，設(shè)計了一種多尺度結(jié)構(gòu)與特征融合的齒輪箱智能故障診斷方法，包括以下步驟：

步驟1：多尺度深度特征提取結(jié)構(gòu)設(shè)計；

步驟2：基于信息熵的深度特征融合策略設(shè)計；

步驟3：基于深度置信網(wǎng)絡(luò)的健康狀態(tài)識別。

進一步地，所述步驟1中，多尺度深度特征提取結(jié)構(gòu)設(shè)計，其具體步驟為：

步驟1.1：構(gòu)建多個不同性質(zhì)的自編碼器；

步驟1.2：將不同性質(zhì)的自編碼器并聯(lián)組合生成多尺度深度特征提取結(jié)構(gòu)。

進一步地，所述的步驟2中，基于信息熵的深度特征融合策略設(shè)計，其具體步驟為：

步驟2.1：獲取評價矩陣A；

步驟2.2：基于信息熵計算各個模型的融合權(quán)重；

步驟2.3：計算深度融合特征H。

進一步地，所述的步驟3中，基于深度置信網(wǎng)絡(luò)的健康狀態(tài)識別，其具體步驟為：

步驟3.1：預(yù)訓練受限玻爾茲曼機模型；

步驟3.2：將受限玻爾茲曼機模型堆棧生成深度置信網(wǎng)絡(luò)。

進一步地，所述的步驟1.1中，構(gòu)建多個不同性質(zhì)的自編碼器，其具體步驟為：

步驟1.1.1：設(shè)計具有三個神經(jīng)網(wǎng)絡(luò)層的自編碼器模型，神經(jīng)網(wǎng)絡(luò)層分別為輸入層、隱藏層和輸出層，其中輸入層和輸出層的神經(jīng)元數(shù)相同，且隱藏層神經(jīng)元數(shù)小于輸入層；

步驟1.1.2：在自編碼器模型中利用KL距離引入稀疏正則項，構(gòu)建稀疏自編碼器，利用KL距離構(gòu)建的稀疏正則項表達式為：