[發(fā)明專利]一種混合增強(qiáng)原型網(wǎng)絡(luò)的行星齒輪箱故障診斷方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202011592786.2
• 申請(qǐng)日: 2020-12-29
• 公開（公告）號(hào): CN114282425A
• 公開（公告）日: 2022-04-05
• 發(fā)明（設(shè)計(jì)）人: 黃慶卿;盛佳會(huì);胡小林;韓延;張焱;謝昊飛;魏旻;王浩;王平;劉蘭徽;邢鑌
• 申請(qǐng)（專利權(quán)）人: 重慶郵電大學(xué);重慶工業(yè)大數(shù)據(jù)創(chuàng)新中心有限公司
• 主分類號(hào): G06F30/27
• 分類號(hào): G06F30/27;G06K9/62;G06N3/04
• 代理公司: 北京同恒源知識(shí)產(chǎn)權(quán)代理有限公司 11275
• 代理人: 趙榮之

本發(fā)明涉及一種混合增強(qiáng)原型網(wǎng)絡(luò)的行星齒輪箱故障診斷方法，屬于仿真分析技術(shù)領(lǐng)域。該方法包括以下步驟：S1、獲取行星齒輪箱振動(dòng)數(shù)據(jù)；S2、構(gòu)建混合增強(qiáng)原型網(wǎng)絡(luò)；S3、將行星齒輪箱訓(xùn)練集數(shù)據(jù)輸入混合增強(qiáng)原型網(wǎng)絡(luò)，通過支持?jǐn)?shù)據(jù)集獲取原型，并結(jié)合查詢數(shù)據(jù)集進(jìn)行優(yōu)化訓(xùn)練；S4、輸入測(cè)試集數(shù)據(jù)，輸出故障診斷結(jié)果。本發(fā)明中的混合增強(qiáng)原型網(wǎng)絡(luò)，采用Inception網(wǎng)絡(luò)模塊進(jìn)行多尺度特征提取，降低了模型參數(shù)數(shù)量的同時(shí)增加了網(wǎng)絡(luò)對(duì)輸入數(shù)據(jù)不同尺度的適應(yīng)性；同時(shí)采用DenseBlock網(wǎng)絡(luò)模塊學(xué)習(xí)不同尺度特征經(jīng)過2個(gè)特征提取塊的混合特征，增強(qiáng)了網(wǎng)絡(luò)的非線性，從而提高了行星齒輪箱故障診斷效率和準(zhǔn)確率。

技術(shù)領(lǐng)域

本發(fā)明屬于仿真分析技術(shù)領(lǐng)域，涉及一種混合增強(qiáng)原型網(wǎng)絡(luò)的行星齒輪箱故障診斷方法

背景技術(shù)

行星齒輪箱具有承重能力強(qiáng)，傳動(dòng)比大，結(jié)構(gòu)緊湊等優(yōu)點(diǎn)，廣泛用于重型卡車，直升機(jī)和風(fēng)力渦輪機(jī)等許多重要的高輸出功率機(jī)械設(shè)備。但是，由于結(jié)構(gòu)復(fù)雜，工作環(huán)境惡劣，行星齒輪箱的關(guān)鍵部件經(jīng)常發(fā)生沖擊損壞，可能危及人身安全并造成巨大的經(jīng)濟(jì)損失。因此，行星齒輪箱有效、準(zhǔn)確的故障診斷在學(xué)術(shù)領(lǐng)域和工業(yè)上仍然是一個(gè)巨大的挑戰(zhàn)。

深度學(xué)習(xí)作為一種前沿的數(shù)據(jù)驅(qū)動(dòng)方法，具有強(qiáng)大的非線性表示能力，可以從大量數(shù)據(jù)中自適應(yīng)地提取特征。近年來，不同種類的深度學(xué)習(xí)方法，例如深度信念網(wǎng)絡(luò)(DeepBelief Network,DBN)，深度自動(dòng)編碼器(Deep Auto-Encoder,DAE)，卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network，CNN)，殘差網(wǎng)絡(luò)(Residual Network,ResNet)等已被廣泛關(guān)注并應(yīng)用于行星齒輪箱的故障診斷。盡管如此，深度學(xué)習(xí)方法的這些應(yīng)用通常必須滿足以下兩個(gè)條件：首先，這些方法通常需要大量的有標(biāo)簽數(shù)據(jù)才能訓(xùn)練有效的神經(jīng)網(wǎng)絡(luò)模型。這個(gè)條件大大增加了深度學(xué)習(xí)方法在故障診斷應(yīng)用中的難度。在工程的實(shí)際應(yīng)用中，由于工作條件的變化(包括設(shè)備負(fù)載和轉(zhuǎn)速變化)，通常難以獲得足夠的有標(biāo)簽數(shù)據(jù)，這使得難以為故障診斷訓(xùn)練有效而高魯棒性的模型。

原型網(wǎng)絡(luò)(Prototypical Networks，ProtoNet)是一種新型的深度神經(jīng)網(wǎng)絡(luò)，與傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)不同，ProtoNet不需要大量的有標(biāo)簽樣本進(jìn)行模型訓(xùn)練，對(duì)于每個(gè)類別只需要很少的訓(xùn)練數(shù)據(jù)。原型網(wǎng)絡(luò)將每個(gè)類別中的數(shù)據(jù)映射到一個(gè)高維特征空間當(dāng)中，并且提取他們的均值來表示為該類的原型(prototype)。使用歐式距離作為高維空間距離度量，訓(xùn)練使得本類別數(shù)據(jù)到本類原型表示的距離為最近，到其他類原形表示的距離較遠(yuǎn)。測(cè)試時(shí)，對(duì)測(cè)試數(shù)據(jù)到各個(gè)類別的原形數(shù)據(jù)的距離做聚類判別標(biāo)準(zhǔn)，來判斷測(cè)試數(shù)據(jù)的類別標(biāo)簽。然而，ProtoNet模型訓(xùn)練過程中訓(xùn)練樣本有限，其原始的特征提取層只能提取單一尺度的特征信息，難以更高效的利用有限的有標(biāo)簽數(shù)據(jù)，單一尺度的數(shù)據(jù)特征難以表征數(shù)據(jù)的整體分布信息；同時(shí)，少量樣本的單一特征容易導(dǎo)致模型過擬合，進(jìn)一步抑制了模型的學(xué)習(xí)能力。因此，如何提高ProtoNet在故障診斷中的特征提取和自適應(yīng)學(xué)習(xí)能力，是一個(gè)亟待解決的關(guān)鍵技術(shù)問題。

發(fā)明內(nèi)容

有鑒于此，本發(fā)明的目的在于提供一種混合增強(qiáng)原型網(wǎng)絡(luò)的行星齒輪箱故障診斷方法

為達(dá)到上述目的，本發(fā)明提供如下技術(shù)方案：

一種混合增強(qiáng)原型網(wǎng)絡(luò)的行星齒輪箱故障診斷方法，該方法包括以下步驟：

S1、獲取行星齒輪箱振動(dòng)數(shù)據(jù)，構(gòu)建訓(xùn)練集和測(cè)試集，其中訓(xùn)練集分為支持?jǐn)?shù)據(jù)集和查詢數(shù)據(jù)集；

S2、構(gòu)建混合增強(qiáng)原型網(wǎng)絡(luò)；

S3、將行星齒輪箱數(shù)據(jù)輸入混合增強(qiáng)原型網(wǎng)絡(luò)，通過支持?jǐn)?shù)據(jù)集獲取原型，并結(jié)合查詢數(shù)據(jù)集進(jìn)行優(yōu)化訓(xùn)練；

S4、將測(cè)試集輸入模型，輸出故障診斷結(jié)果。

可選地，步驟S1具體為：

S11、布置傳感器采集行星齒輪箱不同健康狀態(tài)的振動(dòng)數(shù)據(jù)，劃分為訓(xùn)練集和測(cè)試集；