[發明專利]一種改進多任務卷積神經網絡的斜齒輪箱故障診斷方法

有效

• 申請號: 202110496416.7
• 申請日: 2021-05-07
• 公開（公告）號: CN113268826B
• 公開（公告）日: 2022-12-27
• 發明（設計）人: 熊炘;張珈碩;鄭少帥
• 申請（專利權）人: 上海大學
• 主分類號: G06F30/17
• 分類號: G06F30/17;G06F30/27;G06N3/04;G06N3/08;G01M13/045
• 代理公司: 東莞市卓易專利代理事務所(普通合伙) 44777
• 代理人: 陳能春

1.一種改進多任務卷積神經網絡的斜齒輪箱故障診斷方法，其特征在于，包含以下步驟：

(1)采集齒輪箱輸入軸輸入端的加速度信號，分別采集正常狀態和多組齒輪軸承復合故障狀態，其中軸承的故障類型有內圈故障、外圈故障、保持架故障、滾子故障，齒輪的故障有齒根斷裂、齒面磨損、齒面膠合等故障，將采集到的信號劃分樣本組成數據集；

(2)將所有的樣本首先進行樣本的預處理操作，將所有加速度信號進行歸一化操作，然后將信號不重疊的劃分為長度為m的樣本，分別對齒輪故障和軸承故障貼上標簽，將所有樣本隨機取樣，按照6:2:2的比例劃分訓練集、驗證集和測試集；

(3)將處理好的訓練集輸入改進的多任務卷積神經網絡進行訓練，通過前向傳播計算任務一所提取特征間的相似性損失和交叉熵損失，以及任務二所提取特征間的相似性損失和交叉熵損失，并將4個損失函數相加，通過誤差反向傳播優化多任務神經網絡的取值，使得4個損失函數的值最小；

所述交叉熵損失的公式為：

其中，是神經網絡中需要更新的參數，k是分類層神經元的數目，y是樣本標簽，x是經多任務神經網絡提取到的特征；

所述相似性損失的公式如下：

其中，[M]_ij代表權重矩陣，||M||₁代表矩陣的范數，[T]_ij是目標矩陣，[P]_ij代表相似度矩陣；

相似度矩陣表示為：

其中，f_w(*)代表卷積、池化操作，||x||₂代表向量的二范數，σ_p表示比例因子；

(4)判斷神經網絡是否滿足要求，若滿足要求則神經網絡訓練完成，將神經網絡用于測試集；若不滿足要求，則通過梯度下降法最小化損失函數，更新神經網絡的權值，并跳轉到(3)，通過不斷的迭代更新神經網絡的參數取值，能夠得到最優的參數；

(5)當神經網絡訓練完成后，保存改進多任務卷積神經網絡的參數值，將任務一和任務二分別用于齒輪故障診斷和軸承故障診斷；

改進多任務卷積神經網絡包括輸入層、卷積層、池化層、全連接層和softmax分類層，其中第一個卷積層、池化層為共享層即任務一齒輪故障診斷和任務二軸承故障診斷共用同一個卷積層和池化層，其余的卷積層和池化層由任務一和任務二所獨有。